基于深度学习的新生儿预后预测：一种用于模式分析和风险评估的LSTM自编码器框架

《Scientific Reports》：Deep learning-based neonatal outcome prediction: an LSTM autoencoder framework for pattern analysis and risk assessment

　　

摘要

新生儿死亡率问题是医疗保健领域中的一个重要问题，需要使用先进的分析工具来进行早期风险预测。本研究利用了Medical Information Mart（MIMIC）儿科重症监护（PIC）数据库，开发了一个用于识别与死亡风险相关的关键生物标志物的框架。该框架整合了来自多个临床数据源的信息，包括两千多名新生儿重症监护病房（NICU）的新生儿病例（包括存活和死亡病例）。其中，具有异常值的生物标志物被选为进一步分析的对象。研究人员使用长短期记忆网络（LSTM）自编码器对死亡和存活新生儿的生物标志物数据进行了处理，将其转化为有意义的表示形式。通过聚类分析相似的生物标志物模式，从而揭示了影响新生儿死亡风险的因素。结果表明，所提出的框架优于现有的新生儿评分系统：其敏感性为88.1%，特异性为89.5%，接收者操作特征曲线下面积（AUCROC）为0.92。这些数据表明，生物标志物模式可以作为预测新生儿死亡率的工具，并为决策支持模型的构建提供依据。