Модели машинного обучения для прогнозирования неонатальной смертности: систематический обзор

Введение: Ежедневно умирают примерно 7000 новорождённых, что составляет почти половину смертей детей в возрасте до 5 лет. Выявление новорождённых с повышенным риском смерти может иметь значимое глобальное значение. Интеграция передовых вычислительных технологий, таких как искусственный интеллект (ИИ), может помочь выявлять ранние и потенциально модифицируемые предикторы неонатальной смертности. Целью настоящего исследования были сбор, критическая оценка и анализ исследований по прогнозированию исходов у новорождённых с использованием ИИ.

Методы: Поиск литературы проводили в базах данных PubMed, Cochrane, OVID и Google Scholar. В обзор включали исследования, в которых ИИ, включая машинное обучение и глубокое обучение, использовали для построения моделей прогнозирования смерти новорождённых. Исключали небольшие исследования (n < 500 участников), а также исследования, в которых для прогнозирования смертности использовали только антенатальные факторы. Два независимых исследователя оценивали все статьи на соответствие критериям включения. Собирали данные о дизайне исследования, числе моделей, использованных в каждой модели признаках, важности признаков, проведении внутренней и/или внешней валидации и анализе калибровки. Основным исходом была средняя площадь под ROC-кривой (AUC) либо чувствительность и специфичность для всех моделей, включённых в каждое исследование.

Результаты: Из 434 статей в обзор включили 11 исследований. Общее число участников составило 1,26 млн; гестационный возраст варьировал от 22 недель до доношенного срока. Число признаков составляло от 3 до 66, а прогнозирование выполняли начиная с 5-й минуты жизни и максимум до 7 суток. В среднем в одном исследовании оценивали 4 модели; наиболее часто использовали нейронные сети, случайный лес и логистическую регрессию — всего 58,3% моделей. Калибровочные графики представили 5 исследований (45,5%), внешнюю валидацию провели 2 исследования (18,2%). Восемь исследований сообщали результаты в виде AUC, а 5 — в виде чувствительности и специфичности. AUC варьировала от 58,3 до 97,0%. Средняя чувствительность составляла от 63 до 80%, специфичность — от 78 до 99%. Наилучшей в целом была модель линейного дискриминантного анализа, однако она также использовала большое число признаков (n = 17).

Обсуждение и выводы: Модели машинного обучения могут точно прогнозировать смерть новорождённых. Проведённый анализ выявил наиболее часто используемые предикторы и метрики в моделях прогнозирования неонатальной смертности на основе ИИ. В будущих исследованиях необходимо сосредоточиться на внешней валидации, калибровке, а также внедрении приложений, доступных практикующим медицинским работникам.