Введение: пациенты, которым проводится экстракорпоральная мембранная оксигенация (ЭКМО), находятся под высоким риском повреждения головного мозга, что вносит существенный вклад в заболеваемость и летальность. Авторы этого исследования использовали технологии машинного обучения (МО) для прогнозирования повреждения головного мозга у педиатрических пациентов ЭКМО и выявления ключевых переменных для последующих исследований.
Методы: данные о педиатрических пациентах, которым выполнялось ЭКМО, были взяты из базы данных регистра Китайского сообщества экстракорпорального поддержания жизни (the Chinese Society of Extracorporeal Life Support [CSECLS]) и локальных госпиталей. Десять методов машинного обучения, включая рандомный лес (random forest), метод опорных векторов (support vector machine), классификатор дерева решений (decision tree classifier), машины экстремального и легкого повышения градиента (extreme gradient boosting, light gradient boosting machine), Наивный Байес (Naive Bayes), нейронные сети (neural networks), генерализованная линейная модель (generalized linear model) и AdaBoost были использованы для разработки и валидации оптимальной модели прогнозирования. Пациенты были разделены на ретроспективную когорту для разработки модели и внутренней валидации, и на внешнюю когорту валидации.
Результаты: 1633 пациента на ЭКМО были включены в разработку модели, из которых у 181 было повреждение головного мозга. В когорте внешней валидации у 30 из 154 пациентов было повреждение мозга. Было выбрано 15 характеристик для конструирования модели. Среди всех тестируемых моделей модель рандомного леса достигла наилучшей производительности с AUC 0.92 для внутренней когорты и 0.807 для внешней когорты.
Выводы: модель рандомного леса, основанная на машинном обучении, показала высокую точность и надёжность в прогнозировании повреждения головного мозга у педиатрических пациентов, которым проводится ЭКМО.
Подробнее: https://ccforum.biomedcentral.com/articles/10.1186/s13054-024-05248-9
Наш сайт работает без рекламы, и мы рады, что вы с нами! Для поддержки проекта и его развития сканируйте QR-код ниже!
