JCM：机器学习预测ECMO导致儿童脑损伤的风险
来源：本站原创 2020-10-03 00:53
当患有心脏或肺部疾病的新生婴儿或儿童难以生存时，医生通常会使用人工肺为其支撑生命。这种被称为体外膜氧合（ECMO）的治疗方法被认为挽救了无数生命。但是在某些情况下，它也可能导致长期脑损伤。
2020年10月3日讯/生物谷BIOON/---当患有心脏或肺部疾病的新生婴儿或儿童难以生存时，医生通常会使用人工肺为其支撑生命。这种被称为体外膜氧合（ECMO）的治疗方法被认为挽救了无数生命。但是在某些情况下，它也可能导致长期脑损伤。
现在，由德克萨斯大学西南医学中心科学家领导的研究小组表明，机器学习程序可以比医生更准确地预测ECMO后最有可能遭受脑损伤的婴儿和儿童。该研究发表在上个月的《Journal of Clinical Medicine》杂志上。
研究负责人，儿科副教授Lakshmi Raman医学博士说：“医生对可能有危险的患儿有一定的直觉，但到目前为止，我们确实还没有确切的数据来确定哪些因素导致了ECMO导致脑损伤。我们虽然无法完全消除这些伤害，但是我希望有更好的预测，从而可以减轻风险。”
ECMO的工作原理是将血液从患者体内排出，然后将其泵送通过添加氧气，去除二氧化碳并保持血液温暖的装置，然后再将其返回人体。儿童和成人均使用ECMO，但最常见的患者是新生儿。该疗法可在心脏和肺部成熟或从损伤中恢复时减轻其压力。
但是，许多接受ECMO治疗的患者最终都会出现脑部并发症，医生还不完全理解其中的原因。脑损伤通常归因于ECMO期间给予的血液稀释药物，但研究未能证实这一联系。
Raman和她的合作者使用了174例18岁以下患者的数据，包括70名30天以下的婴儿，这些患者在2010年至2019年之间于达拉斯儿童医学中心接受了ECMO的治疗。在每种情况下，患者大脑的CT或MRI图像在ECMO可用之后。通过扫描对81名患者或51％的患者进行脑损伤检测。
研究人员将每个患者的数据（包括年龄，体重，性别，药物，ECMO类型，ECMO的主要原因以及他们接受ECMO的时间）输入到称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。该程序分析了35个变量的35,000多个ECMO临床治疗小时数和140万个数据点。
生成的模型预测ECMO后脑损伤的敏感性率为73％，特异性率为80％。这超过了临床医生的预测能力，他们怀疑61例患者有脑损伤，其敏感性为39％，特异性为69％。
令人惊讶的是，患者是否正在服用抗凝药物或这些药物的剂量对脑损伤几乎没有影响。但是，发现患者的心率和血压有助于模型预测脑损伤。
Raman说：“我认为这可能意味着我们需要更多地关注那些血液变量。我们已经开始朝这个方向努力。”（生物谷 Bioon.com）
资讯出处：Using machine learning to predict pediatric brain injury
原始出处： Neel Shah et al, Neural Networks to Predict Radiographic Brain Injury in Pediatric Patients Treated with Extracorporeal Membrane Oxygenation, Journal of Clinical Medicine (2020). DOI: 10.3390/jcm9092718
(图片来源：Www.pixabay.com)
现在，由德克萨斯大学西南医学中心科学家领导的研究小组表明，机器学习程序可以比医生更准确地预测ECMO后最有可能遭受脑损伤的婴儿和儿童。该研究发表在上个月的《Journal of Clinical Medicine》杂志上。
研究负责人，儿科副教授Lakshmi Raman医学博士说：“医生对可能有危险的患儿有一定的直觉，但到目前为止，我们确实还没有确切的数据来确定哪些因素导致了ECMO导致脑损伤。我们虽然无法完全消除这些伤害，但是我希望有更好的预测，从而可以减轻风险。”
ECMO的工作原理是将血液从患者体内排出，然后将其泵送通过添加氧气，去除二氧化碳并保持血液温暖的装置，然后再将其返回人体。儿童和成人均使用ECMO，但最常见的患者是新生儿。该疗法可在心脏和肺部成熟或从损伤中恢复时减轻其压力。
但是，许多接受ECMO治疗的患者最终都会出现脑部并发症，医生还不完全理解其中的原因。脑损伤通常归因于ECMO期间给予的血液稀释药物，但研究未能证实这一联系。
Raman和她的合作者使用了174例18岁以下患者的数据，包括70名30天以下的婴儿，这些患者在2010年至2019年之间于达拉斯儿童医学中心接受了ECMO的治疗。在每种情况下，患者大脑的CT或MRI图像在ECMO可用之后。通过扫描对81名患者或51％的患者进行脑损伤检测。
研究人员将每个患者的数据（包括年龄，体重，性别，药物，ECMO类型，ECMO的主要原因以及他们接受ECMO的时间）输入到称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。该程序分析了35个变量的35,000多个ECMO临床治疗小时数和140万个数据点。
生成的模型预测ECMO后脑损伤的敏感性率为73％，特异性率为80％。这超过了临床医生的预测能力，他们怀疑61例患者有脑损伤，其敏感性为39％，特异性为69％。
令人惊讶的是，患者是否正在服用抗凝药物或这些药物的剂量对脑损伤几乎没有影响。但是，发现患者的心率和血压有助于模型预测脑损伤。
Raman说：“我认为这可能意味着我们需要更多地关注那些血液变量。我们已经开始朝这个方向努力。”（生物谷 Bioon.com）
资讯出处：Using machine learning to predict pediatric brain injury
原始出处： Neel Shah et al, Neural Networks to Predict Radiographic Brain Injury in Pediatric Patients Treated with Extracorporeal Membrane Oxygenation, Journal of Clinical Medicine (2020). DOI: 10.3390/jcm9092718
版权声明 本网站所有注明“来源：生物谷”或“来源：bioon”的文字、图片和音视频资料，版权均属于生物谷网站所有。非经授权，任何媒体、网站或个人不得转载，否则将追究法律责任。取得书面授权转载时，须注明“来源：生物谷”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
87%用户都在用生物谷APP 随时阅读、评论、分享交流 请扫描二维码下载->
