नवजात जीवविज्ञान जर्नल

अमूर्त

क्या मशीन लर्निंग विधियां समय से पहले जन्मे शिशुओं के साथ-साथ चिकित्सकों में भी एक्सट्यूबेशन के परिणाम की भविष्यवाणी कर सकती हैं?

मार्टिना म्यूएलर, जोनास एस अल्मेडा, रोमेश स्टैनिस्लॉस और कैरोल एल वैगनर

तर्क: हालांकि पिछले दशकों में मैकेनिकल वेंटिलेटर की सहायता से समय से पहले जन्मे शिशु की सांस लेने के उपचार में काफी प्रगति हुई है, लेकिन किसी निश्चित समय पर एक्सट्यूबेशन के परिणाम की भविष्यवाणी करना चुनौतीपूर्ण बना हुआ है। एक्सट्यूबेशन के परिणाम के पूर्वानुमानकर्ताओं की पहचान करने के लिए कई अध्ययन किए गए हैं; हालांकि, एक्सट्यूबेशन प्रयासों में विफल होने वाले शिशुओं की दर में कमी नहीं आई है। उद्देश्य: मशीन लर्निंग एल्गोरिदम के एक सेट का उपयोग करके समय से पहले जन्मे शिशुओं में एक्सट्यूबेशन के परिणाम की भविष्यवाणी के लिए एक निर्णय-समर्थन उपकरण विकसित करना। तरीके: मैकेनिकल वेंटिलेशन पर 486 समय से पहले जन्मे शिशुओं से इकट्ठा किए गए डेटासेट का इस्तेमाल आर्टिफिशियल न्यूरल नेटवर्क (एएनएन), सपोर्ट वेक्टर मशीन (एसवीएम), नैवे बायेसियन क्लासिफायर (एनबीसी), बूस्टेड डिसीजन ट्रीज़ (बीडीटी), और मल्टीवेरिएबल लॉजिस्टिक रिग्रेशन (एमएलआर) जैसे मशीन लर्निंग हालांकि, दो एल्गोरिदम (एसवीएम और बीडीटी) ने ~0.5 के एयूसी के साथ खराब प्रदर्शन दिखाया। निष्कर्ष: क्लिनिशियन की भविष्यवाणियां अभी भी मशीन लर्निंग से बेहतर प्रदर्शन करती हैं, क्योंकि डेटा और प्रासंगिक जानकारी की जटिलता के कारण मशीन लर्निंग एल्गोरिदम के विकास के लिए इनपुट के रूप में उपयोग किए जाने वाले नैदानिक ​​डेटा में कैप्चर नहीं किया जा सकता है। भविष्य के अध्ययनों में प्रीप्रोसेसिंग चरणों को शामिल करने से भविष्यवाणी मॉडल के प्रदर्शन में सुधार हो सकता है।