用机器学习预测儿童脑损伤

当新生儿或患有心脏或肺疾病的儿童难以生存时，医生通常会求助于一种使用人工肺的生命维持设备。这种被称为体外膜氧合(ECMO)的治疗方法挽救了无数人的生命。但在某些情况下，它也会导致长期的脑损伤。

现在，由德克萨斯大学西南分校(UT Southwestern)的科学家领导的一个研究团队显示，一种机器学习程序可以比医生更准确地预测婴儿和儿童最可能遭受哪种疾病大脑ECMO后受伤。这项研究上个月发表在临床医学杂志。

“医生总是有一些直觉可能面临风险,但直到现在我们还没有良好的数据,以确定哪些因素是诱发脑损伤在医学界,”研究负责人拉克希米·拉曼说,医学博士,副教授西南大学儿科和儿童健康的急救护理专家。bob电竞“我不认为我们能够完全消除这些伤害，但我希望通过更好的预测，我们可以减少风险。”

体外膜肺氧合(ECMO)的工作原理是将血液输送出患者的身体，通过一个添加氧气、排除二氧化碳、保持血液温暖的装置将其输送回身体。ECMO用于儿童和成人，但最常见的患者是新生儿。这种疗法可以在心脏和肺部成熟或从损伤中恢复时减轻压力。

然而，许多接受ECMO治疗的患者最终会出现脑部并发症，而医生并不完全理解其中的原因。脑损伤通常被认为是ECMO期间服用的血液稀释药物造成的，但研究没有支持这一联系。

拉曼说:“我非常感兴趣，想看看我们是否能想出一种算法，把所有这些不同的因素都考虑进来，并试图确定哪些因素使一些患者容易遭受脑损伤。”

拉曼和她的合作者使用了174名18岁以下患者的数据，其中包括70名30天以下的婴儿，这些患者在2010年至2019年期间在达拉斯儿童医疗中心接受了ECMO治疗。在每个病例中，ECMO后患者大脑的CT或MRI图像都可用。81%(51%)的患者通过扫描发现了脑损伤。

研究人员将每个患者的数据——包括年龄、体重、性别、药物、体外膜肺氧合的类型、进行体外膜肺氧合的主要原因以及接受体外膜肺氧合的时间——输入到一个名为神经网络的机器学习程序中，该程序旨在识别数据集中的模式。该项目分析了超过35000个临床小时的ECMO治疗和包括35个变量的140万个数据点。

该模型预测ECMO后脑损伤的敏感性为73%，特异性为80%。这击败了临床医生的预测能力，他们怀疑是大脑受伤在61例患者中，敏感性为39%，特异性为69%。

令人惊讶的是，患者是否服用抗凝药物，或这些药物的剂量，几乎没有影响脑损伤。然而，研究人员发现，病人的心率和血压有助于模型预测脑损伤。

拉曼说:“我认为这可能意味着我们需要更多地关注那些血流变量。”“我们已经开始朝这个方向努力了。”

这个预测模型短期内不会用于临床;拉曼和她的同事正在计划对其他医疗中心的ECMO患者进行更大规模的研究。研究人员希望识别出一些特征，帮助医生预测哪些患者将从体外膜肺氧合中获益最大，风险最小。

---

---