一种简化和数据驱动的肺超声波方法来预测早产婴儿的表面活性剂需求:使用机器学习和基于规则的模型的试点研究
Virginie Meau-Petit1, Clemence Mottez2,3, Bikash Bhojnagarwala4
1Neonatal Unit, Franco-Britannique Hospital, Levallois-Perret, France.
概括
一个简化的肺超声波 (LUS) 模型准确地预测了早产婴儿的表面活性剂需求. 这种使用特定LUS区域的基于规则的方法对临床医生来说更有效,更节省时间.
科学领域:
- 新生儿医学 新生儿医学
- 医疗成像医学成像
- 儿科肺病学 儿科肺病学
背景情况:
- 六区域肺超声波 (LUS) 评分可以预测早产婴儿的表面活性剂需求,但使用固定值.
- 这一固定门可能导致错误分类,并且缺乏对区域选择的数据驱动理由.
研究的目的:
- 探索是否评估单个和组合的LUS区域可以提高表面活性剂需求的预测准确性.
- 开发和验证数据驱动的预测模型,用于在早产婴儿中使用表面活性剂.
主要方法:
- 从连续肺超声波表面活性剂替代疗法 (SLURP) 队列中对早产婴儿 (≤34周) 的分析.
- 开发基于规则,决策树和使用区域LUS分数的物流回归模型.
- 对外部数据集上的6个区域模型进行模型验证.
主要成果:
- 基于规则,决策树和后勤回归模型表现最好,主要使用左侧和左上后部LUS区域.
- 包括右上前部 (RUA) 区域进一步提高了性能.
- 在外部验证中,使用RUA的基于规则的模型实现了0.93的准确性和0.11的假负率,超过了6个区域模型.
结论:
- 一个简化,基于规则的LUS模型,考虑区别的区域预测值,提高了预测早产婴儿表面活性剂需求的准确性.
- 这种方法在临床使用中更容易获得,更有效,更节省时间.


