Журнал неонатальной биологии

Абстрактный

Могут ли методы машинного обучения предсказать результат экстубации у недоношенных детей так же хорошо, как и врачи?

Мартина Мюллер, Йонас С. Алмейда, Ромеш Станислав и Кэрол Л. Вагнер

Обоснование: Хотя лечение дыхания недоношенных детей с помощью аппарата искусственной вентиляции легких значительно продвинулось за последние десятилетия, прогнозирование результата экстубации в определенный момент времени остается сложной задачей. Было проведено множество исследований для выявления предикторов результата экстубации; однако частота неудачных попыток экстубации у младенцев не снизилась. Цель: разработать инструмент поддержки принятия решений для прогнозирования результата экстубации у недоношенных детей с использованием набора алгоритмов машинного обучения. Методы: набор данных, собранный из 486 недоношенных детей, находящихся на искусственной вентиляции легких, использовался для разработки прогностических моделей с использованием алгоритмов машинного обучения, таких как искусственные нейронные сети (ANN), опорная векторная машина (SVM), наивный байесовский классификатор (NBC), усиленные деревья решений (BDT) и многофакторная логистическая регрессия (MLR). Эффективность всех моделей оценивалась с помощью площади под кривой (AUC). Результаты Для некоторых моделей (ANN, MLR и NBC) результаты были удовлетворительными (AUC: 0,63–0,76); однако два алгоритма (SVM и BDT) показали плохую производительность с AUC ~0,5. Заключение: Прогнозы клиницистов по-прежнему превосходят машинное обучение из-за сложности данных и контекстной информации, которая может не быть отражена в клинических данных, используемых в качестве входных данных для разработки алгоритмов машинного обучения. Включение этапов предварительной обработки в будущие исследования может улучшить производительность моделей прогнозирования.