A Simplified and Data‐Driven Lung Ultrasound Approach for Predicting Surfactant Need in Preterm Infants
Notice bibliographique
Résumé
OBJECTIVES: Six-region lung ultrasound (LUS) scores show good predictive value for predicting surfactant need in preterm infants but rely on a fixed threshold, which may lead to misclassification near the cut-off and lack data-driven justification for selecting these 6 regions. This study explored whether evaluating individual regions-and combinations-could improve predictive accuracy and utility. METHODS: Data from preterm infants born at ≤34 weeks and enrolled in the Serial Lung Ultrasound for Surfactant Replacement Therapy (SLURP) cohort study were analyzed to develop predictive models for surfactant administration based on regional LUS scores. Univariate, bivariate, and machine learning analyses were conducted to identify the most informative lung regions. Rule-based, decision tree, and logistic regression models were then developed, compared to the 6-region model, and validated on an external dataset. RESULTS: The training set consisted of 77 patients from the SLURP cohort study. The rule-based, decision tree, and logistic regression models showed the best performance, primarily using 2 lung regions-left lateral and left upper posterior. A refined model that included the right upper anterior (RUA) region further improved performance. On the external test set (n = 42), the rule-based model with RUA achieved the highest accuracy (0.93) and the lowest false negative rate (0.11), outperforming the 6-region model. Adding more regions did not enhance accuracy. CONCLUSIONS: A simplified, rule-based model that accounts for the differential predictive value of individual lung regions may enhance the accuracy of LUS-based prediction of surfactant need in preterm infants. It is also more accessible, effective, and time-efficient for clinicians.
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 | 0,010 |
| 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) | 0,001 | 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 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 ».