机器学习的应用,用于构建新生儿胆道缩的诊断模型
Dingding Wang1, Jie Sun1, Yuyan Jin1
1Department of Neonatal Surgery Beijing Children's Hospital Capital Medical University National Center for Children's Health Beijing China.
Pediatric investigation
|December 22, 2025
概括
机器学习模型使用临床数据准确地诊断新生儿的胆道缩 (BA). 关键指标,如高的甲酶 (GGT),血小板 (PLT) 计数和非性便,有助于早期发现BA以改善结果.
科学领域:
- 儿科胃肠病学 儿科胃肠病学
- 医疗信息学 医疗信息学
- 新生儿医学 新生儿医学
背景情况:
- 早期诊断胆道缩 (BA) 对于及时的手术干预至关重要,如Kasai手术,显著影响患者的预后.
- 在新生儿中开发准确的BA诊断工具仍然是一个临床挑战.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于新生儿早期诊断BA.
- 确定新生儿BA的关键临床和血清学预测因素.
主要方法:
- 训练了五个ML模型 (逻辑回归,随机森林,支向量机分类器,多层感知子,极端梯度增强) 在临床和实验室数据的新生儿病态黄.
- 使用堆叠分类器 (SC) 算法组合表现最好的模型.
- 包括从2013年1月到2023年12月的85名新生儿 (42名含BA).
主要成果:
- XGBoost和随机森林模型实现了完美的诊断性能 (AUC = 1.000).
- 整体SC模型也显示出出色的诊断准确性 (AUC = 1.000).
- 发现的关键预测因素是高的-谷氨基转化酶 (GGT),血小板数量增加 (PLT) 和非性便.
结论:
- ML模型,特别是XGBoost和RF,在新生儿中诊断BA时显示出高准确度.
- 升高的GGT,增加的PLT计数和非性便是BA的重要预测因素.
- 这种基于ML的方法有望在新生儿时期更早地识别和干预BA.
