Prediction of Neurodevelopmental Outcomes in Very Preterm Infants: Comparing Machine Learning Methods to Logistic Regression
Notice bibliographique
Résumé
PURPOSE: Is machine learning (ML) superior to the traditionally used logistic regression (LR) in prediction of neurodevelopmental outcomes in preterm infants? OBJECTIVES: To develop and internally validate a ML model to predict neurodevelopmental impairment (NDI) in very preterm infants (<31 weeks) at 36 months corrected age, using clinical predictors. METHODS: weeks) born between January 2004 and December 2016 in Nova Scotia, Canada. Survivors with neurodevelopmental assessment at 36 months corrected age were included. The study sample was randomly split (80:20) into a development and testing datasets. We compared four methods: LR, elastic net (EN), random forest ensemble (RF) and gradient boosting (XGB), in relation to discrimination (AUC), calibration, and diagnostic properties. RESULTS: Of 811 eligible infants, 663 were included (mean gestational age 28 weeks, mean birth weight 1137 g and 52% male). Of those, 195 (29%) developed NDI and 468 (71%) did not. On internal validation using the testing dataset, all four models provided good discrimination of NDI with comparable AUC. RF was superior to the other three methods with a higher AUC (0.79 vs. 0.74, 0.74, and 0.73 for XGB, EN and LR, respectively), but all models have overlapped CIs. CONCLUSIONS: In this population-based cohort of very preterm infants, RF was superior to conventional LR in prediction of NDI at 3 years corrected age. Accurate prediction of preterm infants at risk of NDI enables early referrals for intervention programs and resources allocation toward those who are most likely to benefit.
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 | 0,000 |
| 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 ».