Machine learning based clinical decision tool to predict acute kidney injury and survival in therapeutic hypothermia treated neonates
Notice bibliographique
Résumé
Therapeutic hypothermia (TH) significantly reduces mortality and morbidities in neonates with Neonatal Encephalopathy (NE). NE may result in neonatal death and multisystem organ impairment, including acute kidney injury (AKI). Our study aimed to utilize machine learning (ML) methods to predict the outcome of TH-treated NE neonates developing AKI and death during TH. In this retrospective multinational study, 1149 TH-treated NE neonates and 801 controls were included. AKI was classified using KDIGO neonatal criteria based on serum creatinine measurements. The ML model incorporated gestational age, birth weight, postnatal age, and serum creatinine values. The algorithm used all these covariates to predict one of five outcomes: survival with/without AKI, mortality with/without AKI, and hospitalized non-NE controls. The XGBoost model achieved an AUC of 95% and an accuracy of 75.08% in predicting AKI and survival, surpassing other ML classifiers that demonstrated accuracy levels ranging from 54% to 65%. To our knowledge this is the first ML model trained on multicenter, multinational data specifically aimed at predicting neonates' AKI, death, and survival within the first three days. Our ML scoring systems' code and user interface are freely available ( https://github.com/NUBagciLab/Therapeutic-Hypothermia-Outcome-Classification , https://thprediction.streamlit.app/ ). This tool has potential to support neonatologists to personalize therapies, and to optimize pharmacotherapy for renally cleared drugs.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».