通过优化控制组选择改进晚发性败血症预测的机器学习模型:一项比较研究

科学领域:

• 新生儿医学 新生儿医学
• 计算生物学 计算生物学
• 临床信息学 临床信息学

背景情况:

• 晚期发作的败血症 (LOS) 是新生儿重症监护室 (NICU) 中早产婴儿的关键威胁,由不成熟的免疫力和复杂的环境驱动.
• 使用生命体征的预测模型对早期LOS检测有希望,但不一致的对照组选择阻碍了性能.
• 需要对控制组策略进行系统的比较,以优化LOS预测模型.

研究的目的:

• 评估三种不同的对照组选择策略对晚发性败血症 (LOS) 预测模型的表现的影响.
• 为了比较使用独立控制,LOS内部控制和联合策略的预测准确度.
• 确定最佳的对照组策略,以加强早产婴儿的LOS检测.

主要方法:

• 训练并评估了使用不同对照组策略的三种LOS预测模型:独立,内部LOS和组合.
• 使用了128名早产婴儿 (60名LOS,68名对照) 的培训数据集和49名患者的独立测试集.
• 在各种预测窗口中使用曲线下的面积 (AUC),灵敏度,特异性,PPV和NPV评估模型性能.

主要成果:

• 综合策略在3小时预测窗口内实现了最高的AUC (86.2%),超过了独立 (70.9%) 和内部LOS (78.2%) 策略.
• 独立策略产生了更高的灵敏度和NPV,而内部LOS提供了更好的特异性和PPV.
• 综合战略平衡了这些指标,显示出优越的整体预测性能.

结论:

• 对照组的选择显著影响了LOS预测模型的性能和通用性.
• 组合对照组策略是一个有希望的方法,可以提高早产婴儿早期LOS检测的准确性.
• 优化的预测模型可以提高临床决策和新生儿护理中LOS的管理.