로고

로고

Research

연구 정보

Research Project (승인과제목록)

KNN 연구 요약서

Title Machine Learning-Based Prediction Model for Bronchopulmonary Dysplasia in Preterm Infants Using Early Perinatal Factors
Author Yeong Seok Lee, Ga Won Jeon
작성자 전가원
Background Bronchopulmonary dysplasia (BPD) is a chronic neonatal lung disease and the most common sequela of preterm birth. According to the Neonatal Research Network 2019 definition, which was recently introduced to predict early childhood outcomes, BPD grades are determined based on the respiratory support required at 36 weeks’ postmenstrual age (PMA). Increasing severity of BPD has been strongly associated with heightened childhood morbidity, underscoring the critical need for strategies aimed at mitigating disease severity. However, there are currently no established methods to predict BPD severity before 36 weeks’ PMA.
Aim / Hypothesis This study aimed to develop a model to predict the severity of BPD using data from the Korean Neonatal Network's big data, focusing on early postnatal data and data at 28 days of life.
Inclusion Criteria 2013.1~2023.12 1,500g or 32 weeks 미만의 미숙아
Exclusion Criteria 사망, 염색체 이상, 주 기형
Study Design Statistical methods ‘출생 신장, 두위, 첫 입원시 체온, 출생 1시간 이내 혈액 가스 pH, base excess, 신생아 호흡곤란 증후군 유무, 폐표면 활성제 사용 유무, 폐표면활성제 사용 시간, 투여 횟수, 첫 투여 방법, 기관지폐이형성 예방 및 치료를 위한 steroid 사용 여부, PDA 약물 치료 여부, 동맥관 결찰술 여부, 저혈압 유무, 뇌실 내 출혈의 grade, 출혈 후 수두증 유무, 선천성 감염 유무, 패혈증 유무, 괴사성 장염 여부, 사용 방법, 약제 및 생후 28일 산소치료/인공호흡기 치료 상태’ 등 의 데이터를 이용하여 다양한 machine learning model 들을 토대로 BPD severity 를 예측한다. 그 중 가장 performance 가 좋은 모델을 찾고, 어떤 factor 들이 model 의 의사 결정 과정에서 가장 영향을 끼쳤는지 분석해본다. 이를 기반으로 영향을 많이 끼친 factor 만을 이용하여 다시 model 의 성능을 평가해본다.
Primary Outcomes The accuracy, F1 score, AUC curve of the machine learning models, and the multiple factors influencing the performance of the best-performing model
Secondary Outcomes and Definitions The accuracy, F1 score, and AUC curve of the model using the trimmed factors
Protocols 1) Data collection 2) Machine learning model selection 3) Hyperparameter tuning and cross-validation 4) Performance evaluation
Funding none

질병관리청 바로가기

대한신생아학회 바로가기

국립보건연구원 바로가기

Korean Neonatal Network TEL : 070-8095-2023   FAX : 02-3410-3540   
E-mail : knn@knn.or.kr

COPYRIGHT © 2022 KNN. ALL RIGHTS RESERVED.