నియోనాటల్ బయాలజీ జర్నల్

నైరూప్య

మెషిన్ లెర్నింగ్ మెథడ్స్ అకాల శిశువులలో అలాగే వైద్యులలో ఎక్స్‌ట్యూబేషన్ ఫలితాన్ని అంచనా వేయగలవా?

మార్టినా ముల్లర్, జోనాస్ ఎస్ అల్మేడా, రోమేష్ స్టానిస్లాస్ మరియు కరోల్ ఎల్ వాగ్నెర్

హేతువు: మెకానికల్ వెంటిలేటర్ సహాయంతో నెలలు నిండకుండానే జన్మించిన శిశువు శ్వాస చికిత్స గత దశాబ్దాలలో చాలా అభివృద్ధి చెందినప్పటికీ, ఒక నిర్దిష్ట సమయంలో ఎక్స్‌ట్యూబేషన్ ఫలితాన్ని అంచనా వేయడం సవాలుగా ఉంది. ఎక్స్‌ట్యూబేషన్ ఫలితం కోసం ప్రిడిక్టర్‌లను గుర్తించడానికి అనేక అధ్యయనాలు నిర్వహించబడ్డాయి; అయినప్పటికీ, విఫలమయ్యే శిశువుల ప్రయత్నాల రేటు తగ్గలేదు. లక్ష్యం: మెషిన్ లెర్నింగ్ అల్గారిథమ్‌ల సమితిని ఉపయోగించి అకాల శిశువులలో ఎక్స్‌ట్యూబేషన్ ఫలితాన్ని అంచనా వేయడానికి నిర్ణయ-మద్దతు సాధనాన్ని అభివృద్ధి చేయడం. పద్ధతులు: ఆర్టిఫిషియల్ న్యూరల్ నెట్‌వర్క్‌లు (ANN), సపోర్ట్ వెక్టర్ మెషిన్ (SVM), నేవ్ బయేసియన్ క్లాసిఫైయర్ (NBC), బూస్ట్డ్ వంటి మెషిన్ లెర్నింగ్ అల్గారిథమ్‌లను ఉపయోగించి ప్రిడిక్టివ్ మోడల్‌లను అభివృద్ధి చేయడానికి మెకానికల్ వెంటిలేషన్‌పై 486 అకాల శిశువుల నుండి సేకరించిన డేటాసెట్ ఉపయోగించబడింది. ), మరియు మల్టీవియరబుల్ లాజిస్టిక్ తిరోగమనం (MLR). ఏరియా అండర్ ది కర్వ్ (AUC)ని ఉపయోగించి అన్ని మోడళ్ల పనితీరును విశ్లేషించారు. ఫలితాలు కొన్ని మోడళ్లకు (ANN, MLR మరియు NBC) ఫలితాలు సంతృప్తికరంగా ఉన్నాయి (AUC: 0.63-0.76); అయితే, రెండు అల్గారిథమ్‌లు (SVM మరియు BDT) ~0.5 AUCలతో పేలవమైన పనితీరును చూపించాయి. ముగింపు: మెషీన్ లెర్నింగ్ అల్గారిథమ్‌ల అభివృద్ధికి ఇన్‌పుట్‌గా ఉపయోగించే క్లినికల్ డేటాలో క్యాప్చర్ చేయబడని డేటా మరియు సందర్భోచిత సమాచారం యొక్క సంక్లిష్టత కారణంగా వైద్యుడి అంచనాలు ఇప్పటికీ మెషిన్ లెర్నింగ్‌ను మించిపోయాయి. భవిష్యత్ అధ్యయనాలలో ప్రీప్రాసెసింగ్ దశలను చేర్చడం వలన అంచనా నమూనాల పనితీరు మెరుగుపడవచ్చు.