S'abonner

Predicting Extubation Readiness in Preterm Infants Utilizing Machine Learning: A Diagnostic Utility Study - 09/07/24

Doi : 10.1016/j.jpeds.2024.114043 
Mandy Brasher, MD 1, Alexandr Virodov, MS 2, Thomas M. Raffay, MD 3, Henrietta S. Bada, MD, MPH 1, M. Douglas Cunningham, MD 1, Cody Bumgardner, PhD 2, Elie G. Abu Jawdeh, MD, PhD 1,
1 Department of Pediatrics/Neonatology, College of Medicine, University of Kentucky, Lexington, KY 
2 Institute of Biomedical Informatics, University of Kentucky, Lexington, KY 
3 Department of Pediatrics/Neonatology, College of Medicine, Case Western Reserve University, Cleveland, OH 

Reprint requests: Elie G. Abu Jawdeh, MD, PhD, Department of Pediatrics, College of Medicine, University of Kentucky, 800 Rose St, Lexington, KY 40536.Department of PediatricsCollege of MedicineUniversity of Kentucky800 Rose StLexingtonKY40536

Abstract

Objective

The objective of this study was to predict extubation readiness in preterm infants using machine learning analysis of bedside pulse oximeter and ventilator data.

Study design

This is an observational study with prospective recordings of oxygen saturation (SpO2) and ventilator data from infants <30 weeks of gestation age. Research pulse oximeters collected SpO2 (1 Hz sampling rate) to quantify intermittent hypoxemia (IH). Continuous ventilator metrics were collected (4-5-minute sampling) from bedside ventilators. Data modeling was completed using unbiased machine learning algorithms. Three model sets were created using the following data source combinations: (1) IH and ventilator (IH + SIMV), (2) IH, and (3) ventilator (SIMV). Infants were also analyzed separated by postnatal age (infants <2 or ≥2 weeks of age). Models were compared by area under the receiver operating characteristic curve (AUC).

Results

A total of 110 extubation events from 110 preterm infants were analyzed. Infants had a median gestation age and birth weight of 26 weeks and 825 g, respectively. Of the 3 models presented, the IH + SIMV model achieved the highest AUC of 0.77 for all infants. Separating infants by postnatal age increased accuracy further achieving AUC of 0.94 for <2 weeks of age group and AUC of 0.83 for ≥2 weeks group.

Conclusions

Machine learning analysis has the potential to enhance prediction accuracy of extubation readiness in preterm infants while utilizing readily available data streams from bedside pulse oximeters and ventilators.

Le texte complet de cet article est disponible en PDF.

Keywords : extubation failure, extubation success, extubation attempt, prediction tool, preterm infants, neonatal intensive care, mechanical ventilation, bedside monitoring

Abbreviations : AUC, IH, NICU, SpO2, SHAP, SIMV


Plan


© 2024  Publié par Elsevier Masson SAS.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 271

Article 114043- août 2024 Retour au numéro
Article précédent Article précédent
  • Cerebral Palsy and Motor Impairment After Extreme Prematurity: Prediction of Diagnoses at Ages 2 and 10 Years
  • Timothy Marinelli, Joe X. Yi, T.Michael O'Shea, Robert M. Joseph, Stephen R. Hooper, Karl C.K. Kuban, Christina Sakai, Michael E. Msall, Rebecca Fry, Rachana Singh, ELGAN-ECHO Study Investigators, Julie V. Rollins, Bhavesh Shah, Linda Van Marter, Camilla Martin, Janice Ware, Caitlin Rollins, Cynthia Cole, Ellen Perrin, Christina Sakai, Frank Bednarek, Richard Ehrenkranz, Jennifer Benjamin, Angela Montgomery, T. Michael O'Shea, Lisa Washburn, Carl Bose, Diane Warner, Steve Engelke, Amanda Higginson, Jason Higginson, Kelly Bear, Mariel Poortenga, Steve Pastyrnak, Padu Karna, Nigel Paneth, Madeleine Lenski, Michael Schreiber, Scott Hunter, Deborah Klein, Maureen Pimental, Collen Hallisey, Taryn Coster, Maddie Dolins, Maggie Mittleman, Hannah Haile, Julia Rohde, Kaysi Herrera Pujols, Ellen Nylen, Emily Neger, Kathryn Mattern, Catherine Ma, Deanna Toner, Elizabeth Vitaro, Lauren Venuti, Beth Powers, Ann Foley, Taylor Merk, Joanne Williams, Elaine Romano, Christine Henry, Debbie Hiatt, Nancy Peters, Patricia Brown, Emily Ansusinha, Jazmyne James, Nou Yang, Gennie Bose, Janice Wereszczak, Janice Bernhardt, Joan Adams, Donna Wilson, Nancy Darden-Saad, Bree Williams, Emily Jones, Hannah Morris, Dinah Sutton, Julie Rathbun, Stephanie Fagerman, William Boshoven, Jalen Johnson, Brandon James, Cynthia Gile, Karen Miras, Carolyn Solomon, Deborah Weiland, Rugile Ramoskaite, Suzanne Wiggins, Krissy Washington, Ryan Martin, Barbara Prendergast, Emma Lynch, Sabina Hajdarovic, Beth Kring, Anne Smith, Susan McQuiston, Samantha Butler, Rachel Wilson, Kirsten McGhee, Patricia Lee, Aimee Asgarian, Anjali Sadhwani, Brandi Henson, Cecelia Keller, Jenifer Walkowiak, Susan Barron, Alice Miller, Brian Dessureau, Molly Wood, Jill Damon-Minow, Elaine Romano, Linda Mayes, Kathy Tsatsanis, Katarzyna Chawarska, Sophy Kim, Susan Dieterich, Karen Bearrs, Ellen Waldrep, Jackie Friedman, Gail Hounshell, Debbie Allred, Rebecca Helms, Lynn Whitley, Gary Stainback, Lisa Bostic, Amanda Jacobson, Joni McKeeman, Echo Meyer, Steve Pastyrnak, Joan Price, EdS; Megan Lloyd, Susan Plesha-Troyke, Megan Scott, Katherine M. Solomon, Kara Brooklier, Kelly Vogt
| Article suivant Article suivant
  • Health Care Utilization and Direct Costs Prior to Subspecialty Care in Children with Chronic Pain Compared with Other Chronic Childhood Diseases: A Cohort Study
  • Kerstin Gerhold, Saeed Al-Azazi, Wael El-Matary, Laurence Y. Katz, Lily S.H. Lim, Seth D. Marks, Lisa M. Lix

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.