Martina Mueller, Jonas S Almeida, Romesh Stanislaus et Carol L Wagner
Justification : Bien que le traitement des nourrissons prématurés respirant avec l'aide d'un respirateur mécanique ait beaucoup progressé au cours des dernières décennies, prédire l'issue de l'extubation à un moment donné reste un défi. De nombreuses études ont été menées pour identifier les facteurs prédictifs de l'issue de l'extubation ; cependant, le taux de nourrissons échouant aux tentatives d'extubation n'a pas diminué. Objectif : Développer un outil d'aide à la décision pour la prédiction de l'issue de l'extubation chez les nourrissons prématurés à l'aide d'un ensemble d'algorithmes d'apprentissage automatique. Méthodes : Un ensemble de données assemblé à partir de 486 nourrissons prématurés sous ventilation mécanique a été utilisé pour développer des modèles prédictifs à l'aide d'algorithmes d'apprentissage automatique tels que les réseaux de neurones artificiels (ANN), la machine à vecteurs de support (SVM), le classificateur bayésien naïf (NBC), les arbres de décision boostés (BDT) et la régression logistique multivariable (MLR). Les performances de tous les modèles ont été évaluées à l'aide de l'aire sous la courbe (AUC). Résultats Pour certains modèles (ANN, MLR et NBC), les résultats étaient satisfaisants (AUC : 0,63-0,76) ; Cependant, deux algorithmes (SVM et BDT) ont montré de faibles performances avec des AUC d'environ 0,5. Conclusion : Les prédictions des cliniciens surpassent toujours l'apprentissage automatique en raison de la complexité des données et des informations contextuelles qui peuvent ne pas être capturées dans les données cliniques utilisées comme entrée pour le développement des algorithmes d'apprentissage automatique. L'inclusion d'étapes de prétraitement dans les études futures peut améliorer les performances des modèles de prédiction.