Deep Learning Model for Predicting Neurodevelopmental Outcome in Very Preterm Infants Using Cerebral Ultrasound
Notice bibliographique
Résumé
Objective: To develop deep learning (DL) models applied to neonatal cranial ultrasound (CUS) and clinical variables to predict neurodevelopmental impairment (NDI) in very preterm infants (VPIs) at 3 years of corrected age. Patients and Methods: weeks' gestation) born between 2004 and 2016 in Nova Scotia, Canada. Clinical data at hospital discharge and CUS images at 3 time points were used to develop DL models using elastic net (EN) and convolutional neural network (CNN). The models' performances were compared using precision recall area under the curve (PR-AUC) and area under the receiver operation characteristic curve (ROC-AUC) with their 95% ci. Results: Of 665 eligible VPIs, 619 (93%) infants with 4184 CUS images were included. The CNN model combining CUS and clinical variables reported better performance (PR-AUC, 0.75; 95% CI, 072-0.79; ROC-AUC, 0.71; 95% CI, 0.67-0.74) in the prediction of positive NDI outcome compared with the traditional models based solely on clinical predictors (PR-AUC, 0.60; 95% CI, 0.52-0.68; ROC-AUC, 0.72; 95% CI, 0.68-0.75). When analyzed by the CUS plane and acquisition time point, the model using the anterior coronal plane at 6 weeks of age provided the highest predictive accuracy (PR-AUC, 0.81; 95% CI, 0.77-0.91; ROC-AUC, 0.78; 95% CI, 0.66-0.87). Conclusion: We developed and internally validated a DL prognostic model using CUS and clinical predictors to predict NDI in VPIs at 3 years of age. Early and accurate identification of infants at risk for NDI enables referral to targeted interventions, which improves functional outcomes.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».