Machine Learning Detects Intraventricular Haemorrhage in Extremely Preterm Infants
Notice bibliographique
Résumé
Objective: To test the potential utility of applying machine learning methods to regional cerebral (rcSO2) and peripheral oxygen saturation (SpO2) signals to detect brain injury in extremely preterm infants. Study design: A subset of infants enrolled in the Management of Hypotension in Preterm infants (HIP) trial were analysed (n = 46). All eligible infants were <28 weeks’ gestational age and had continuous rcSO2 measurements performed over the first 72 h and cranial ultrasounds performed during the first week after birth. SpO2 data were available for 32 infants. The rcSO2 and SpO2 signals were preprocessed, and prolonged relative desaturations (PRDs; data-driven desaturation in the 2-to-15-min range) were extracted. Numerous quantitative features were extracted from the biosignals before and after the exclusion of the PRDs within the signals. PRDs were also evaluated as a stand-alone feature. A machine learning model was used to detect brain injury (intraventricular haemorrhage-IVH grade II–IV) using a leave-one-out cross-validation approach. Results: The area under the receiver operating characteristic curve (AUC) for the PRD rcSO2 was 0.846 (95% CI: 0.720–0.948), outperforming the rcSO2 threshold approach (AUC 0.593 95% CI 0.399–0.775). Neither the clinical model nor any of the SpO2 models were significantly associated with brain injury. Conclusion: There was a significant association between the data-driven definition of PRDs in rcSO2 and brain injury. Automated analysis of PRDs of the cerebral NIRS signal in extremely preterm infants may aid in better prediction of IVH compared with a threshold-based approach. Further investigation of the definition of the extracted PRDs and an understanding of the physiology underlying these events are required.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».