Revista de Biologia Neonatal

Abstrato

Os métodos de aprendizado de máquina podem prever o resultado da extubação em bebês prematuros e também em médicos?

Martina Mueller, Jonas S Almeida, Romesh Stanislaus e Carol L Wagner

Justificativa: Embora o tratamento da respiração de bebês prematuros com assistência de um ventilador mecânico tenha avançado muito nas últimas décadas, prever o resultado da extubação em um determinado momento continua sendo um desafio. Vários estudos foram conduzidos para identificar preditores para o resultado da extubação; no entanto, a taxa de bebês que falham nas tentativas de extubação não diminuiu. Objetivo: Desenvolver uma ferramenta de suporte à decisão para a previsão do resultado da extubação em bebês prematuros usando um conjunto de algoritmos de aprendizado de máquina. Métodos: Um conjunto de dados reunido de 486 bebês prematuros em ventilação mecânica foi usado para desenvolver modelos preditivos usando algoritmos de aprendizado de máquina, como Redes Neurais Artificiais (RNA), Máquina de Vetores de Suporte (VMS), Classificador Bayesiano Naïve (NBC), Árvores de Decisão Impulsionadas (BDT) e Regressão Logística Multivariável (MLR). O desempenho de todos os modelos foi avaliado usando Área Sob a Curva (AUC). Resultados Para alguns dos modelos (RNA, MLR e NBC), os resultados foram satisfatórios (AUC: 0,63-0,76); no entanto, dois algoritmos (SVM e BDT) apresentaram desempenho ruim com AUCs de ~0,5. Conclusão: As previsões do clínico ainda superam o aprendizado de máquina devido à complexidade dos dados e informações contextuais que podem não ser capturadas em dados clínicos usados ​​como entrada para o desenvolvimento dos algoritmos de aprendizado de máquina. A inclusão de etapas de pré-processamento em estudos futuros pode melhorar o desempenho dos modelos de previsão.