相关实验视频
Updated: Jan 16, 2026
08:46
A Neonatal Imaging Model of Gram-Negative Bacterial Sepsis
Published on: August 12, 2020
6.9K
孕产妇周产期危险因素和全期新生儿早期发作的败血症:基于机器学习的新型预测模型
Chen Youmei1, Lei Min1, Chen Xiaoqing1
1Department of Obstetrics, Baoan Women's and Children's Hospital, Shenzhen, China.
Digital health
|September 29, 2025
概括
使用母亲的产前数据的机器学习模型可以有效地选新生儿的早期发作的败血症 (EOS). 优化决策值是实现对这一关键新生儿疾病高灵敏度的关键.
科学领域:
- 新生儿医学 新生儿医学
- 医疗保健中的人工智能
- 预测分析是一种预测分析.
背景情况:
- 早期发作的败血症 (EOS) 是全球新生儿疾病和死亡的重要原因.
- 目前EOS的诊断方法缺乏特异性,导致潜在的诊断不足或过度治疗.
- 迫切需要改进诊断工具,以解决新生儿护理方面的差距.
研究的目的:
- 开发和评估用于预测新生儿早期发作的败血症 (EOS) 的机器学习模型,使用母亲的产前因素.
- 确定与EOS风险相关的关键孕产妇预测因素.
- 评估机器学习模型作为EOS选工具的临床实用性.
主要方法:
- 对1613名满期孕妇的数据进行了回顾性分析.
- 开发了10个机器学习算法,包括XGBoost和Random Forest,使用母亲的产前预测器.
- 数据预处理包括归算,标准化,拉索特征选择和类不平衡的SMOTE,用于模型评估的5倍交叉验证.
主要成果:
- XGBoost和随机森林模型显示了最高的区分能力 (AUC=0.87).
- 一个优化的值 (0.04) 实现了高灵敏度 (92.8%) 和特异性 (73.1%) 的EOS查.
- 孕产妇的体温和炎症标志物被确定为关键预测因素.
结论:
- 利用母性因素的机器学习模型显示出高灵敏度查工具的前景,用于早期发病的败血症 (EOS).
- 调整决策值对于最大限度地提高临床效用,平衡敏感性和特异性至关重要.
- 这项研究为开发临床相关的预测模型提供了一个框架,以加强新生儿护理.
