P.082 Using machine-based learning to predict neonatal hypoxic-ischemic encephalopathy (HIE) severity based on patient-specific clinical factors
Notice bibliographique
Résumé
Background: Severity of HIE is based on Sarnat classification; however, it is difficult to predict precise neurodevelopmental outcomes as this only provides a single snapshot in time. We aimed to use machine-based learning to better understand variables contributing towards HIE severity. Methods: Patients with HIE treated with hypothermia were studied between 2014 and 2020 at level 3 NICUs in Calgary, Alberta. Clinical information contained 23 features including specifics of clinical examination, blood work, MRI and EEG findings, and medications. Random forest models were trained to examine features most predictive of HIE severity. Results: Two hundred and six patients were eligible. By grouping patients based on the initial Sarnat score and post-cooling exam, features correctly predicted groups 43% and 73% of the time, respectively. Precision, accuracy, and recall was best for the mild group. Using MRI and day 1 seizures it was 54% and 67% predictive, respectively. Features contributing most included arterial pH, initial lactate, and overall EEG findings. There are ongoing analyses for further classification. Conclusions: Machine-based learning can improve predictive models for patient outcomes. There is benefit in using variables outside of the initial examination to improve classification. We aim to expand this model to include detailed neurodevelopmental outcomes to improve prognostication.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».