미숙아 망막병의 위험 예측을 위한 다중 위험 요소 공동 예측 모델

초록 목적 미숙아 망막병(ROP)은 저체중 출생 및 조산아에게 흔히 발생하는 망막 혈관 증식 질환이며, 아동의 실명 주요 원인 중 하나입니다. 예측, 예방 및 개인 맞춤 의학(PPPM/3PM) 맥락에서 ROP의 조기 스크리닝, 식별 및 치료는 환자의 장기 시각 예후를 개선하고 실명 위험을 줄이는 데 직접적으로 기여할 것입니다. 따라서 우리의 목표는 임상 인구 통계학적 데이터를 결합한 인공 지능(AI) 알고리즘을 구축하여 치료가 필요한 미숙아 망막병(TR-ROP) 영아를 포함한 ROP 리스크 모델을 만드는 것입니다. 방법 2003년 3월부터 2023년 9월까지 선전안과병원에서 정기 ROP 스크리닝을 받은 총 22,569명의 영아가 수집되었으며, 이 중 3,335명은 ROP를 앓고 있고 1,234명은 ROP 영아 중 TR-ROP 영아입니다. 출생 체중(BW), 주산기 연령(GA), 성별, 다태아 여부(MB), 분만 방식(MD) 등 여러 위험 요소의 관련 조합을 사용하여 로지스틱 회귀 및 결정 트리의 두 가지 기계 학습 방법과 다층 퍼셉트론의 심층 학습 방법을 훈련시켜 ROP와 TR-ROP의 위험 예측에 도달했습니다. 우리는 위험 예측 모델의 성능을 평가하기 위해 다섯 가지 평가 지표를 사용했습니다. 수신자 운영 특성 곡선 아래 면적(AUC)과 정밀도-재현 곡선 아래 면적(AUCPR)이 주요 측정 지표였습니다. 결과 ROP의 위험 예측에서 BW + GA가 최적의 성능을 나타냈습니다(평균 ± SD, AUCPR: 0.4849 ± 0.0175, AUC: 0.8124 ± 0.0033). TR-ROP의 위험 예측에서는 GA + BW + 성별 + MD + MB를 사용하여 합리적인 성능을 달성할 수 있습니다(AUCPR: 0.2713 ± 0.0214, AUC: 0.8328 ± 0.0088). 결론 ROP 스크리닝 프로그램에서 AI와 위험 요소를 결합하면 ROP 및 TR-ROP의 위험 예측을 달성하고 TR-ROP를 조기에 발견하며 저위험 영아에서 ROP 검사 및 불필요한 생리적 스트레스를 줄일 수 있습니다. 따라서 ROP 관련 생체 정보를 AI와 결합하는 것은 ROP의 조기 스크리닝 및 치료에서 예측 진단, 목표 예방 및 맞춤형 의료 서비스 제공을 위한 비용 효율적인 전략입니다.