DOI: https://doi.org/10.3389/fmed.2026.1729990
PMID: https://pubmed.ncbi.nlm.nih.gov/41836960
تاريخ النشر: 2026-02-20
المؤلف: J. H. Park وآخرون
الموضوع الرئيسي: تعلم الآلة في الرعاية الصحية
نظرة عامة
تتركز الدراسة على تطوير نموذج تعلم عميق متعدد الوسائط يهدف إلى التنبؤ بالحاجة إلى التنبيب الرغامي (EI) في حديثي الولادة داخل وحدة العناية المركزة لحديثي الولادة (NICU). التدخل في الوقت المناسب أمر حاسم، حيث يمكن أن تؤدي التأخيرات في EI إلى نتائج سلبية خطيرة. يقوم النموذج بتحليل كل من البيانات السريرية الأولية الرقمية وبيانات العلامات الحيوية الزمنية التي تم جمعها على مدار 1-3 ساعات السابقة، مما يسمح بالتخطيط والتدخل السريري الاستباقي حتى 3 ساعات مسبقًا. أظهرت التحقق الخارجي الشامل موثوقية النموذج، حيث حقق دقة داخلية قدرها 0.9579 ومنطقة تحت المنحنى (AUC) قدرها 0.9323، بينما أسفر التحقق الخارجي عن دقة قدرها 0.9411 وAUC قدرها 0.9336.
في الختام، لا يتجاوز النموذج المقترح النماذج التنبؤية السابقة فحسب، بل يتضمن أيضًا تطبيقات سريرية واقعية من خلال تقديم التنبؤات على فترات زمنية ساعة، خلال 3 ساعات، وحتى 72 ساعة بعد القبول. تبرز حساسية النموذج العالية (0.8472 ± 0.08) وخصوصيته (0.9591 ± 0.01) إمكانيته في تعزيز اتخاذ القرارات السريرية. من خلال دمج هذا النموذج في أنظمة مراقبة NICU في الوقت الحقيقي، يمكن لمقدمي الرعاية الصحية تلقي تحذيرات مبكرة عندما تتجاوز احتمالية EI عتبة محددة مسبقًا، مما يسهل التدخلات في الوقت المناسب التي قد تقلل من المضاعفات وتحسن نتائج حديثي الولادة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الدور الحاسم للتنبيب الرغامي (EI) في إدارة ضيق التنفس لدى حديثي الولادة، مع التأكيد على التحديات في اتخاذ القرارات في الوقت المناسب والدقيقة بسبب التباين في العروض السريرية والظروف الفسيولوجية. تعتمد الطرق التقليدية على التقييمات السريرية والمؤشرات الفسيولوجية، والتي يمكن أن تؤدي إلى مضاعفات خطيرة إذا تم تأخير أو عدم ملاءمة إدارة مجرى الهواء. لمعالجة هذه القضايا، يقترح المؤلفون تطوير أدوات دعم القرار المدفوعة بالذكاء الاصطناعي الموضوعية التي يمكن أن تعزز التنبؤ بـ EI.
استكشفت الدراسات السابقة نماذج ذكاء اصطناعي مختلفة، مثل الشبكة العصبية متعددة الطبقات (MLP) وتعزيز التدرج المتطرف (XGBoost)، للتنبؤ باحتياجات EI بناءً على البيانات السريرية الأولية. ومع ذلك، تظهر هذه النماذج قيودًا، بما في ذلك عدم وجود انعكاس لحالة الصحة الزمنية، وفترات التنبؤ المحدودة، وعدم القابلية للتطبيق على المرضى حديثي الولادة بسبب خصائصهم الفسيولوجية الفريدة. للتغلب على هذه العيوب، يقدم المؤلفون نموذجًا متعدد الوسائط يدمج البيانات السريرية الأولية وعلامات الحيوية الزمنية، باستخدام MLP للبيانات الرقمية وهندسة LSTM-transformer لتحليل السلاسل الزمنية. يسمح هذا النموذج بإجراء تقييمات صحية في الوقت الحقيقي ويوسع نافذة التنبؤ إلى 72 ساعة بعد القبول، مع تقديم التنبؤات كل ساعة حتى 3 ساعات مسبقًا، مما يسهل التدخلات السريرية في الوقت المناسب لحديثي الولادة الذين يحتاجون إلى EI.
مناقشة
في هذه الدراسة، تم تطوير نموذج متعدد الوسائط للتنبؤ بالحاجة إلى التنبيب الرغامي (EI) في المرضى حديثي الولادة خلال 72 ساعة من القبول في NICU، باستخدام مجموعات بيانات من مستشفيين في كوريا الجنوبية. تم تدريب النموذج على 432 حالة من CBNUH وتم التحقق منها خارجيًا على 174 حالة من CNUH، مع التركيز على عوامل سريرية ومحيطية مختلفة، وتحليل غازات الدم الشرياني، والعلامات الحيوية. خضعت البيانات لعمليات معالجة صارمة، بما في ذلك التعامل مع القيم المفقودة وتوحيد البيانات الرقمية والزمنية. دمجت بنية النموذج شبكة عصبية متعددة الطبقات (MLP) للبيانات الرقمية وذاكرة قصيرة وطويلة الأمد (LSTM)-Transformer للبيانات الزمنية، مما يسمح بالتقاط كل من الاعتماديات الزمنية والارتباطات بين الإشارات.
أظهر النموذج المقترح أداءً متفوقًا مقارنةً بالنماذج التقليدية للتعلم الآلي والهياكل متعددة الوسائط الأخرى، حيث حقق دقة قدرها 95.79% ومنطقة تحت منحنى ROC (AUROC) قدرها 0.9323 خلال التحقق الداخلي. أسفر التحقق الخارجي عن دقة قدرها 94.11% وAUROC قدرها 0.9336، مما يشير إلى تعميم قوي على الرغم من التحديات مثل عدم توازن البيانات والقيم المفقودة. تسلط الدراسة الضوء على إمكانيات النموذج للتطبيق السريري في التنبؤ بـ EI، مع التأكيد على أهمية التقاط التفاعلات الزمنية المعقدة في العلامات الحيوية لحديثي الولادة لتعزيز دقة التنبؤ. ستركز الأعمال المستقبلية على تحسين الحساسية ومعالجة تحيزات جمع البيانات لتحسين أداء النموذج بشكل أكبر.
القيود
يمتلك النموذج المقترح لتحليل البيانات الزمنية في بيئة سريرية ثلاث قيود رئيسية. أولاً، يظهر تحيزًا في التنبؤ بالتسلسلات القصيرة، خاصةً لأنه يعالج البيانات في فترات زمنية مدتها ساعة واحدة على مدى نافذة مدتها 3 ساعات. عانت نسبة كبيرة من الحالات الإيجابية (31.6%) من التنبيب المبكر (EI) خلال ساعتين من القبول في NICU، مما أدى إلى وجود 31.3% من المرضى الذين لديهم بيانات مفقودة بسبب ملء البيانات، مما قد يشوه النتائج. يتطلب ذلك مزيدًا من البحث لإنشاء نموذج مصمم لبيانات العلامات الحيوية ذات التسلسلات القصيرة، مع ضرورة توخي الحذر في تفسير التنبؤات التي تم إجراؤها مباشرة بعد القبول في NICU.
ثانيًا، يعتمد النموذج بشكل كبير على البيانات الزمنية، المعززة بفترات زمنية مدتها ساعة واحدة، مما قد يعزز بشكل غير مقصود اعتماده على الأنماط الزمنية بسبب تكرار المتغيرات الثابتة عبر خطوات زمنية متعددة. ستركز التحقيقات المستقبلية على استراتيجيات الدمج، مثل بوابة الوسائط أو تنظيم خاص بالوسائط، لتحقيق تكامل أكثر توازنًا بين الميزات الثابتة والزمنية. أخيرًا، لم يستخدم النموذج تقنيات زيادة العينة الاصطناعية لمعالجة عدم توازن الفئات بين المجموعات التي تم تنبيبها وغير المنبيب، واختار بدلاً من ذلك استخدام خسارة الانتروبيا الثنائية الموزونة أثناء التدريب. بينما تم اشتقاق مقاييس الأداء باستخدام عتبة مثالية من مؤشر يودن، قد تكون المعايرة للحساسية ضرورية بناءً على الأولويات السريرية. قد تنجم الحساسية المنخفضة الملحوظة في التحقق الخارجي عن عدد محدود من الحالات الإيجابية وفترات تسجيل غير منتظمة، مما يبرز الحاجة إلى بروتوكولات متعددة المراكز المستقبلية لضمان جمع بيانات شاملة ومنهجيات قوية لأخذ العينات غير المنتظمة.
DOI: https://doi.org/10.3389/fmed.2026.1729990
PMID: https://pubmed.ncbi.nlm.nih.gov/41836960
Publication Date: 2026-02-20
Author(s): J. H. Park et al.
Primary Topic: Machine Learning in Healthcare
Overview
The study focuses on developing a multimodal deep learning model aimed at predicting the need for endotracheal intubation (EI) in neonates within the neonatal intensive care unit (NICU). Timely intervention is critical, as delays in EI can lead to severe adverse outcomes. The model analyzes both numeric initial clinical data and time-series vital sign data collected over the preceding 1-3 hours, allowing for proactive clinical planning and intervention up to 3 hours in advance. Comprehensive external validation demonstrated the model’s reliability, achieving an internal accuracy of 0.9579 and an area under the curve (AUC) of 0.9323, while external validation yielded an accuracy of 0.9411 and an AUC of 0.9336.
In conclusion, the proposed model not only surpasses previous predictive models but also incorporates real-world clinical applications by providing predictions at hourly intervals, within 3 hours, and up to 72 hours post-admission. The model’s high sensitivity (0.8472 ± 0.08) and specificity (0.9591 ± 0.01) further underscore its potential to enhance clinical decision-making. By integrating this model into real-time NICU monitoring systems, healthcare providers could receive early warnings when the likelihood of EI exceeds a predefined threshold, facilitating timely interventions that may reduce complications and improve neonatal outcomes.
Introduction
The introduction of this research paper highlights the critical role of endotracheal intubation (EI) in managing respiratory distress in newborns, emphasizing the challenges in timely and accurate decision-making due to the variability in clinical presentations and physiological conditions. Traditional methods rely on clinical assessments and physiological indicators, which can lead to serious complications if airway management is delayed or inappropriate. To address these issues, the authors propose the development of objective, AI-driven decision-support tools that can enhance EI prediction.
Previous studies have explored various AI models, such as multilayer perceptron (MLP) and eXtreme Gradient Boosting (XGBoost), to predict EI needs based on initial clinical data. However, these models exhibit limitations, including a lack of temporal health status reflection, restricted prediction intervals, and inapplicability to neonatal patients due to their unique physiological characteristics. To overcome these shortcomings, the authors introduce a multimodal model that integrates initial clinical data and time-series vital signs, utilizing an MLP for numerical data and a long short-term memory (LSTM)-transformer architecture for time-series analysis. This model allows for real-time health assessments and extends the prediction window to 72 hours post-admission, with hourly predictions up to 3 hours in advance, thereby facilitating timely clinical interventions for neonates requiring EI.
Discussion
In this study, a multimodal model was developed to predict the need for endotracheal intubation (EI) in neonatal patients within 72 hours of NICU admission, utilizing datasets from two hospitals in South Korea. The model was trained on 432 cases from CBNUH and validated externally on 174 cases from CNUH, with a focus on various clinical and perinatal factors, arterial blood gas analysis, and vital signs. The data underwent rigorous preprocessing, including handling missing values and standardizing numerical and time-series data. The model architecture integrated a Multi-Layer Perceptron (MLP) for numerical data and a Long Short-Term Memory (LSTM)-Transformer for time-series data, allowing for the capture of both temporal dependencies and inter-signal correlations.
The proposed model demonstrated superior performance compared to traditional machine learning models and other multimodal architectures, achieving an accuracy of 95.79% and an area under the ROC curve (AUROC) of 0.9323 during internal validation. External validation yielded an accuracy of 94.11% and an AUROC of 0.9336, indicating robust generalization despite challenges such as data imbalance and missing values. The study highlights the model’s potential for clinical application in predicting EI, emphasizing the importance of capturing complex temporal interactions in neonatal vital signs to enhance predictive accuracy. Future work will focus on improving sensitivity and addressing data collection biases to further refine the model’s performance.
Limitations
The proposed model for analyzing time-series data in a clinical setting has three main limitations. Firstly, it demonstrates bias in predicting short sequences, particularly as it processes data in 1-hour increments over a 3-hour window. A significant portion of the positive cases (31.6%) experienced early intubation (EI) within 2 hours of NICU admission, leading to 31.3% of patients having missing data due to backfilling, which may skew results. This necessitates further research to create a model tailored for short-sequence vital signs data, with caution advised in interpreting predictions made immediately after NICU admission.
Secondly, the model’s heavy reliance on time-series data, augmented at 1-hour intervals, may inadvertently amplify its dependence on temporal patterns due to the replication of static variables across multiple time steps. Future investigations will focus on fusion strategies, such as modality gating or modality-specific regularization, to achieve a more balanced integration of static and temporal features. Lastly, the model did not employ synthetic oversampling techniques to address class imbalance between intubated and non-intubated groups, opting instead for a weighted binary cross-entropy loss during training. While performance metrics were derived using an optimal threshold from the Youden index, calibration for sensitivity may be necessary based on clinical priorities. The reduced sensitivity observed in external validation may stem from a limited number of positive cases and irregular charting intervals, highlighting the need for prospective multi-center protocols to ensure comprehensive data capture and robust methodologies for irregular sampling.