混合人工智能系统用于降低尼日利亚新生儿死亡率

科学领域:

• 医疗保健中的人工智能
• 机器学习用于医学诊断
• 新生儿健康信息学 新生儿健康信息学

背景情况:

• 新生儿疾病是尼日利亚的主要死亡原因,全球死亡率很高.
• 早期和准确诊断的挑战导致干预延迟和死亡率增加.
• 尼日利亚西南部面临着改善新生儿疾病检测系统的迫切需要.

研究的目的:

• 开发一种人工智能 (AI) 系统,用于检测多种新生儿疾病.
• 利用尼日利亚本地数据集和先进的机器学习技术.
• 为了促进早期干预和减少尼日利亚西南部的新生儿死亡率.

主要方法:

• 收集了来自五家三级医院的4027名新生儿患者的临床记录.
• 通过合成少数人过量采样技术 (SMOTE) 预处理和平衡数据集.
• 训练并评估了人工神经网络 (ANN),长期短期记忆 (LSTM) 和使用精度,精度,回忆和F1分数的混合LSTM-ANN模型.

主要成果:

• 混合LSTM-ANN模型实现了82%的准确性,超过了ANN (80%) 和LSTM (77%).
• 在败血症 (0.90) 和出生窒息 (0.88) 中获得了高精度.
• 统计测试证实了混合模型在独立模型上的显著优势.

结论:

• 混合LSTM-ANN模型显示出作为早期新生儿疾病检测的诊断工具的前景.
• 在临床广泛采用之前,需要进一步的外部验证和前性临床试验.
• 这种人工智能方法可以在资源有限的环境中显著影响新生儿死亡率.