预测早产婴儿过渡营养期间子宫外生长限制的AI:一项回顾性研究

科学领域:

• 新生儿科学 新生儿科学
• 儿童营养学 儿童营养学
• 机器学习在医学中的应用

背景情况:

• 胎外生长限制 (EUGR) 在早产婴儿 (30-97%) 中普遍存在,并与不良结果有关.
• 确定EUGR的预测因素对于改善婴儿健康至关重要.
• 从门营养过渡到门营养是早产婴儿生长的关键时期.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于预测早产婴儿的EUGR.
• 评估临床和营养因素对EUGR发展的影响.
• 为了确定关键变量,特别是在亲肠道到肠道营养过渡期间,这些变量会影响EUGR.

主要方法:

• 对1165名早产婴儿 (<33周妊娠或<1500g) 的回顾性观察研究.
• 开发使用所有特征和仅营养特征的10ML模型.
• 在五个患者子组中测试了模型:所有,极度早产,非常早产,中度早产,以及对妊娠年龄来说小.

主要成果:

• 机器学习模型在预测EUGR方面取得了很高的准确性 (0.71以营养特征,0.79以所有特征).
• 与较低的EUGR风险相关的关键因素包括女性性别,更高的生长速度和第一周适当的脂质摄入量.
• 在不同早产子组中,特定因素的影响有所不同.

结论:

• 机器学习模型在各种早产婴儿子组中展示了EUGR的强大预测能力.
• 早期的临床和营养变量在EUGR的发展中起着重要作用.
• 这些发现强调了监测和优化早产婴儿早期营养的重要性,以防止EUGR.