
-
生物通官微
陪你抓住生命科技
跳动的脉搏
用于预测呼吸窘迫早产儿持续气道正压通气失败与高流量鼻导管氧疗失败的机器学习模型
《European Journal of Pediatrics》:Machine learning models for prediction of continuous positive airway pressure failure and high-flow nasal cannula failure in preterm neonates with respiratory distress
【字体: 大 中 小 】 时间:2026年10月09日 来源:European Journal of Pediatrics 2.9
编辑推荐:
摘要本研究旨在开发并内部验证分别预测早产儿持续气道正压通气(CPAP)失败和高流量鼻导管(HFNC)失败的机器学习模型。这项回顾性队列研究纳入了 2023 年 9 月至 2025 年 9 月期间开始接受无创呼吸支持的 411 名早产儿,其中 195 名接受 CPAP,216
本研究旨在开发并内部验证分别预测早产儿持续气道正压通气(CPAP)失败和高流量鼻导管(HFNC)失败的机器学习模型。这项回顾性队列研究纳入了 2023 年 9 月至 2025 年 9 月期间开始接受无创呼吸支持的 411 名早产儿,其中 195 名接受 CPAP,216 名接受 HFNC。CPAP 失败定义为升级为有创机械通气,HFNC 失败定义为升级为 CPAP。使用针对 CPAP 的九个临床选择预测因子和针对 HFNC 的十个预测因子,在五折交叉验证、1000 次自助法置信区间、Platt 校准、决策曲线分析和基于 SHAP 的可解释性的基础上,独立比较了七种算法:LASSO 逻辑回归、随机森林、XGBoost、LightGBM、支持向量机、朴素贝叶斯和 K 近邻。195 名 CPAP 婴儿中有 34 名(17.4%)和 216 名 HFNC 婴儿中有 86 名(39.8%)发生了升级。对于 CPAP 失败,鉴于每变量事件数(EPV 3.78)的限制,LASSO 逻辑回归是最具说服力的模型,AUROC 为 0.849(95% CI 0.765–0.915)。XGBoost 显示了最高的 AUROC 点估计值(0.876),但表观值与交叉验证值之间的差距较大。对于 HFNC 失败,LASSO 逻辑回归实现了最高的区分度(AUROC 0.773,95% CI 0.662–0.837),风险分布在母亲绒毛膜羊膜炎、反复呼吸暂停、呼吸速率和 SpO2 趋势上。在广泛的阈值概率范围内,两种模型均显示出比全治疗和全不治疗策略更积极的净获益。经过 Platt 缩放后,所有校准斜率均落在 0.924 到 1.027 之间。结论:床旁呼吸、实验室和产前变量,在开始无创支持后 6 小时内即可获得,可能预测早产儿升级风险,但仅限于内部验证。CPAP 失败和 HFNC 失败在潜在结构上存在差异,最适合由不同的预测因子和不同的算法来处理。临床实施前需要进行外部验证。
已知内容: • CPAP 失败与 FiO2 需求和 RDS 严重程度相关,已有单算法模型可在早产儿中预测它。 • HFNC 失败预测因子主要来自非早产人群,且目前尚无针对早产儿的机器学习模型。 | |
新知: • 分别比较了用于 CPAP 和 HFNC 失败的七种算法,并使用 SHAP 展示每个变量如何推高或降低婴儿的风险。 • SHAP 分析显示,CPAP 失败风险主要集中在气体交换状态,而 HFNC 失败风险则分散在炎症、呼吸暂停和呼吸趋势方面。 |
本研究旨在开发并内部验证分别预测早产儿持续气道正压通气(CPAP)失败和高流量鼻导管(HFNC)失败的机器学习模型。这项回顾性队列研究纳入了 2023 年 9 月至 2025 年 9 月期间开始接受无创呼吸支持的 411 名早产儿,其中 195 名接受 CPAP,216 名接受 HFNC。CPAP 失败定义为升级为有创机械通气,HFNC 失败定义为升级为 CPAP。使用针对 CPAP 的九个临床选择预测因子和针对 HFNC 的十个预测因子,在五折交叉验证、1000 次自助法置信区间、Platt 校准、决策曲线分析和基于 SHAP 的可解释性的基础上,独立比较了七种算法:LASSO 逻辑回归、随机森林、XGBoost、LightGBM、支持向量机、朴素贝叶斯和 K 近邻。195 名 CPAP 婴儿中有 34 名(17.4%)和 216 名 HFNC 婴儿中有 86 名(39.8%)发生了升级。对于 CPAP 失败,鉴于每变量事件数(EPV 3.78)的限制,LASSO 逻辑回归是最具说服力的模型,AUROC 为 0.849(95% CI 0.765–0.915)。XGBoost 显示了最高的 AUROC 点估计值(0.876),但表观值与交叉验证值之间的差距较大。对于 HFNC 失败,LASSO 逻辑回归实现了最高的区分度(AUROC 0.773,95% CI 0.662–0.837),风险分布在母亲绒毛膜羊膜炎、反复呼吸暂停、呼吸速率和 SpO2 趋势上。在广泛的阈值概率范围内,两种模型均显示出比全治疗和全不治疗策略更积极的净获益。经过 Platt 缩放后,所有校准斜率均落在 0.924 到 1.027 之间。结论:床旁呼吸、实验室和产前变量,在开始无创支持后 6 小时内即可获得,可能预测早产儿升级风险,但仅限于内部验证。CPAP 失败和 HFNC 失败在潜在结构上存在差异,最适合由不同的预测因子和不同的算法来处理。临床实施前需要进行外部验证。
已知内容: • CPAP 失败与 FiO2 需求和 RDS 严重程度相关,已有单算法模型可在早产儿中预测它。 • HFNC 失败预测因子主要来自非早产人群,且目前尚无针对早产儿的机器学习模型。 | |
新知: • 分别比较了用于 CPAP 和 HFNC 失败的七种算法,并使用 SHAP 展示每个变量如何推高或降低婴儿的风险。 • SHAP 分析显示,CPAP 失败风险主要集中在气体交换状态,而 HFNC 失败风险则分散在炎症、呼吸暂停和呼吸趋势方面。 |