机器学习预测婴儿早产治疗视网膜病变的风险
Henry P Foote1, Yanchen J Ou2, Suchir Bhatt3
1Department of Pediatrics, Duke University, Durham, North Carolina, USA.
Neonatology
|November 18, 2025
概括
机器学习模型可以识别需要早产视网膜病变 (ROP) 治疗的婴儿,从而减少不必要的查. 这些模型为高风险婴儿的ROP检测提供了更精确的方法.
科学领域:
- 新生儿眼科新生儿眼科
- 医疗人工智能的人工智能
- 在医疗保健中的预测分析.
背景情况:
- 早产视网膜病变 (ROP) 是儿童失明的主要原因.
- 当前的ROP选指南可能过于广泛,导致不必要的评估.
- 需要改进的模型来识别高风险的婴儿ROP.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测需要ROP治疗的需求.
- 使用ML模型,根据ROP治疗时间对婴儿进行分层.
- 将ML模型的性能与传统的物流回归 (LR) 模型进行比较.
主要方法:
- 使用了103,701名婴儿的多中心队列 (出生体重≤1,500克或妊娠年龄≤30周).
- 从出生后14日至98天的2周间隔开发了ML模型,使用临床相关的变量.
- 在25105名婴儿的单独队列中验证了模型,并将性能与LR模型进行了比较.
主要成果:
- 28日ML模型在验证队列中表现出高于LR模型的性能 (AUROC:0.916与0.903;AP:0.190与0.160).
- 在100%的灵敏度值下,ML模型实现了负预测值>99.9%.
- 与目前的指导方针相比,ML模型可能会将需要查的婴儿数量减少14%.
结论:
- ML模型在预测需要ROP治疗和分层婴儿风险方面是有效的.
- 这些模型显示了减少不必要的ROP选的潜力.
- 需要进一步的研究来在临床实践中实现这些基于模型的ROP预测.
