基于机器学习的新生儿坏死性小肠结肠炎的鉴别诊断

摘要：

坏死性小肠结肠炎(Neonatal Necrotizing Enterocolitis,NEC)是一种很常见的、最严重的胃肠道急症,尤其是新生儿和极低体重儿,发病率和死亡率极高,早期NEC的临床症状以及放射学等多表现为非特异性,因此NEC的鉴别诊断尤为重要.搜集了广州市妇女儿童医疗中心2011-2018年的248例患者.通过递归式消除特征的方法(RFECV RF)选择最优的特征集,运用XGBoost、决策树、人工神经网络3种不同的方法进行训练,并用五折交叉验证以及超参数搜索选择最优参数,构建最优模型,用这3种方法得到的分类器对50例临床未能确诊NEC的病患进行预测.实验结果表明,在50例测试样本中,XGBoost敏感性80.48％,特异性100.00％,AUC 90.24％;决策树敏感性60.98％,特异性82.93％,AUC 71.95％;人工神经网络敏感性78.05％,特异性100.00％,AUC 89.02％.采用机器学习的方法为NEC的鉴别诊断提出了一种新的研究思路和方法,具有很重要的临床价值.

关键词：鉴别诊断、新生儿坏死性小肠结肠炎、机器学习

所属期刊栏目：14

分类号：R318;TP391(医用一般科学)

在线出版日期：2019-05-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：50-52,69