检索历史 清除

摘要研究背景:<br>　　早产儿视网膜病变（retinopathyofprematurity，ROP）是发生于早产及低出生体重儿的视网膜血管增生性疾病，是婴幼儿最常见的致盲和致低视力眼病。及时的筛查和治疗有利于降低ROP的致盲率及视力损伤。目前国内外的ROP筛查标准主要根据胎龄和出生体质量而制定，标准比较宽松，筛查效率偏低。同时，眼底检查设备昂贵，对医护工作经验要求较高，且有一定侵入性，过多的检查不仅给医疗系统和社会家庭带来了巨大压力，对于早产儿来说未必是有益的。面对早产儿存活数量的日益增长、眼科专业设备和医师的缺乏，怎样合理评估ROP发生的可能，在不漏诊患儿的前提下尽量减少筛查量，是目前迫切需要解决的问题。机器学习法是医学领域的热点，目前在眼科领域也得到了广泛应用，我们希望能够将机器学习应用到ROP预测中，寻找一种新的ROP发病预测体系。<br>　　研究目的：<br>　　1、对ROP潜在危险因素进行分析，寻找最佳的指标组合预测ROP发生。<br>　　2、基于机器学习法构建模型预测早产儿的ROP发生，并期望此模型能广泛应用于临床。<br>　　方法：<br>　　检索了我院临床科研数据库中的早产儿数据，并提取了642例早产儿（ROP发病患儿126例和未发生ROP的早产儿516例）的临床数据，按照4：1的比例将其分为训练集和验证集，通过运用基于机器学习的极端梯度提升树（XGBoost）、随机森林（RF）、轻量级梯度提升机（LightGBM）、自适应增强（AdaBoost）、补朴素贝叶斯分类算法（CNB）、支持向量机（SVM）算法对ROP发病风险分别构建预测模型，应用受试者操作特征曲线下面积（AUC）比较以上6种算法构建的模型对ROP发病风险的预判价值，筛选出具有最佳预测效能的模型，并通过SHAP方法可视化解释机器学习模型的预测结果。<br>　　结果：<br>　　1、6种机器学习算法构建的模型中，极端梯度提升树（XGBoost）构建的模型的AUC无论是在训练集（0.96）还是在验证集中均表现最好（0.949），预测效能最佳。<br>　　2、重度子痫前期史、出生评分（Apgar）1min、出生胎龄、极低体重儿史、输血史、新生儿高血糖症史为构建XGBoost模型的候选预测因子。<br>　　3、SHAP概要图分析表明，出生评分（Apgar）1min、出生胎龄、极低体重儿史、输血史、新生儿高血糖症史是ROP发病的危险因素，孕母重度子痫前期史对ROP发生有积极影响。<br>　　结论：<br>　　基于机器学习法构建的以重度子痫前期史、出生评分1min、出生胎龄、极低体重儿、输血史、新生儿高血糖症史为预测特征的XGBoost模型对早产儿视网膜病变有较好的预测价值，或可将此模型应用于早产儿视网膜病变高风险人群的临床筛查。