新生儿生物学杂志

抽象的

机器学习方法能否像临床医生一样预测早产儿拔管的结果？

玛蒂娜·穆勒、乔纳斯·S·阿尔梅达、罗梅什·斯坦尼斯劳斯和卡罗尔·L·瓦格纳

理由：尽管在过去的几十年里，在机械呼吸机的帮助下治疗早产儿的方法已经取得了很大进展，但预测某一特定时间点的拔管结果仍然具有挑战性。已经进行了大量研究来确定拔管结果的预测因素；然而，婴儿拔管失败的比率并没有下降。目的：使用一组机器学习算法开发一种预测早产儿拔管结果的决策支持工具。方法：使用从 486 名接受机械通气的早产儿收集的数据集，使用机器学习算法（例如人工神经网络 (ANN)、支持向量机 (SVM)、朴素贝叶斯分类器 (NBC)、增强决策树 (BDT) 和多变量逻辑回归 (MLR)）开发预测模型。使用曲线下面积 (AUC) 评估所有模型的性能。结果对于一些模型（ANN、MLR 和 NBC），结果令人满意（AUC：0.63-0.76）；然而，两种算法（SVM 和 BDT）表现不佳，AUC 约为 0.5。结论：由于数据和上下文信息的复杂性，临床医生的预测仍然优于机器学习，而这些数据和上下文信息可能无法在用作机器学习算法开发的输入的临床数据中捕获。在未来的研究中加入预处理步骤可能会提高预测模型的性能。