一个探索性机器学习研究关于儿科腹痛表型和预测

科学领域:

• 儿科胃肠病学 儿科胃肠病学
• 计算生物学 计算生物学
• 流行病学 流行病学

背景情况:

• 由于患者的异质性,儿科腹痛 (AP) 的机制尚不清楚.
• 这项研究旨在确定AP表型和相关因素.
• 目标是指导未来对AP原因的研究.

研究的目的:

• 使用机器学习 (ML) 识别不同的儿科腹痛 (AP) 现型.
• 开发AP风险分层的预测模型.
• 探索与AP相关的人口和临床因素.

主要方法:

• 在一个大型出生队列中,利用了来自13,790名儿童的数据的ML集群.
• 从全科医生记录中提取了人口统计和并发症数据.
• 使用已识别的特征开发了基于ML的AP预测模型.

主要成果:

• 确定了三种AP表型:过敏倾向 (n=137),孕产妇并发症 (n=676) 和最小并发症 (n=340).
• 过敏性疾病和母体并发症的AP频率增加 (例如,25.6%具有≥3个母体并发症).
• ML模型显示了中等的预测性表现 (AUC 0.67),突出了种族,过敏和母亲的并发症作为关键因素.

结论:

• 使用ML识别了不同的AP表型和关键风险因素.
• 一个预测性ML模型使儿科AP的有效风险分层成为可能.
• 结果为未来的AP机制研究和有针对性的干预提供了洞察力.