研究表明，人工智能可以透過訓練來檢測早產兒的肺部疾病

根據在奧地利維也納舉行的歐洲呼吸學會（ERS）訓練大會上發表的研究，可以透過人工神經網路（ANN）透視分析早產兒睡眠時的呼吸模式來檢測早產兒的肺部疾病。

這項研究由巴塞爾大學生物醫學工程系兼任教授、瑞士大學兒童醫院研究組長埃德加·德爾加多-艾克特（Edgar Delgado-Eckert）提出。

猝肺發育不良（BPD）是一種可能影響早產兒的呼吸問題。引發發炎，從而導致邊緣性人格障礙。

但識別BPD 是很困難的。很少透過其重點之一（早產和呼吸支持）來診斷疾病之一。

人工神經網路是用於分類和預測的數學模型。

Delgado-Eckert 教授解釋說：「直到最近，對大量數據的需求阻礙了嬰兒肺部疾病創建準確模型的努力，因為評估他們的肺部功能非常困難。

「但還有另一種選擇。我們可以測量嬰兒睡覺時的呼吸。所有這些都需要一個柔軟的面罩，配有一個感測器，可以測量嬰兒鼻子的排氣和體積。這種設備便宜且可用任何臨床機構。

「這種對多次連續呼吸的測量（我們稱為潮式呼吸）可以產生大量高品質的順序流資料。我們想嘗試使用這些資料來訓練人工神經網路來檢測 BPD。

Delgado-Eckert 教授的團隊研究了 139 名足月嬰兒和 190 名早產兒，這些嬰兒接受了 BPD 評估，記錄了他們睡眠時的 10 分鐘呼吸。 、驗證和測試一種稱為長短期記憶模型（LSTM）的ANN，該模型在對偽序列進行分類時特別有效，並經過仔細檢查以排除嘆息或其他影子。

團隊使用60%的資料來教導網路如何識別BPD，20%的資料用於驗證模型（確保不會太固定在訓練資料上），然後將剩餘的20%的資料輸入到模型，在看看在在不見的情況下，看看它是否能夠正確識別那些符合BPD 的嬰兒。

LSTM 模型能夠將未見過的測試資料集中的一系列流量值分類為屬於是否患有 BPD 的患者，準確率高達 96%。

Delgado-Eckert 教授補充說：「我們的研究首次提供了一種分析嬰兒呼吸的綜合方法，使我們能夠早在校準年齡的一個月內檢測出哪些嬰兒患有 BPD，即如果他們的年齡處於預產期出生的－透過使用人工神經網路來識別他們呼吸模式的異常。

“我們的非侵入性測試減少了嬰兒及其父母的痛苦，這意味著他們可以更快地獲得治療，並且也可能連接長期相關的淋巴結”

團隊現在希望研究該模型是否也可以用於測試出生後幾週的嬰兒，分析肺功能並預測較大學年齡層兒童的症狀，以及測試其他疾病，例如氣喘。

Angela Zacharasiewicz 教授是 ERS ​​小兒氣喘和過敏小組的主席，也是 Klinik Ottakring 兒科的負責人，但沒有參與這項研究。

她說：「使用新的測試早產兒的肺功能將改善治療決策。我們越早確認早產兒的BPD，我們就可以越快提供最佳的呼吸支持，做出明智的決定。它還可以幫助幫助他們儘早規劃後續評估和潛在的干預措施，從而減輕父母和孩子的壓力。

這項研究表明人工智能在簡化這一過程方面具有巨大的潛力。

“看到像這樣的人工智能工具如何能夠支援我們的健康服務，真是令人興奮。”

更多資訊： 摘要編號：OA4655“使用潮式呼吸（Tb）期間測量的喘氣時間序列（TS）的人工神經網絡（ANN）檢測早產兒抑鬱症發育不良（BPD）”，作者：Edgar Delgado-Eckert 等人；於2024年9月10日星期二歐洲中部夏令時間11:00-12:15在「清醒與兒童的通氣評估」會議睡眠上發表。
[k4.ersnet.org/prod/v2/Front/Pr … ?e=549&session=17949]

由歐洲呼吸學會提供