相关实验视频
Updated: Feb 28, 2026
08:46
A Neonatal Imaging Model of Gram-Negative Bacterial Sepsis
Published on: August 12, 2020
7.0K
在低收入和中等收入国家预测早期新生儿败血症的机器学习模型:开发和验证研究
Deepika Kainth1, Ayushi Gupta2, Pradeep Singh2
1Department of Pediatrics, All India Institute of Medical Sciences, New Delhi, India.
BMJ paediatrics open
|February 25, 2026
概括
一个新的机器学习模型准确地预测了低收入国家的新生儿早期发作的败血症 (EOS). 这种工具可以帮助临床医生更快地识别败血症,可能减少抗生素的使用.
科学领域:
- 新生儿医学 新生儿医学
- 人工智能的人工智能
- 在LMICs的公共卫生.
背景情况:
- 早发性败血症 (EOS) 是新生儿的危及生命的疾病,特别是在低收入和中等收入国家 (LMICs).
- 现有的机器学习 (ML) 模型用于EOS诊断通常基于来自高收入国家的数据,这限制了它们在LMICs中的适用性.
- 对于针对LMICs独特的疾病概况和资源限制的诊断工具有着至关重要的需求.
研究的目的:
- 开发和验证一个机器学习 (ML) 模型,以便在LMICs中及时预测新生儿培养证明的早期发作的败血症 (EOS).
- 提高诊断准确度,并支持在资源有限的环境中在床边进行临床决策.
- 评估ML模型对抗生素管理的潜在影响.
主要方法:
- 进行了德里新生儿感染研究 (2011-2014) 的二次分析,其中包括2924名怀疑患有EOS的新生儿.
- 两种特征选择方法 (Boruta和Lasso) 应用于64个变量,并评估了5种ML技术.
- 使用了动态的80:20列车:测试分割,目标是90%的灵敏度. 最佳模型被集成到一个网络应用程序中,并在2015年至2021年之间出生的新生儿上进行外部验证.
主要成果:
- 使用28个变量的最佳ML模型,在预测培养证明EOS时,实现了90.3%的灵敏度和40.6%的特异性.
- 外部验证显示高灵敏度 (92.3%) 和负预测值 (95.7%).
- 该模型显示无症状新生儿与周围风险因素的敏感度为100%,并可能使抗生素使用量减少19.1%.
结论:
- 开发的ML模型显示了高灵敏度和可接受的特异性,用于预测LMIC中的EOS.
- 这种工具可以帮助及时和可靠地识别培养阳性败血症.
- 该模型显示了作为一项临床决策支持工具的承诺,以优化LMICs内新生儿护理中的抗生素使用.
