插管和机械通气是早产儿呼吸衰竭的主要干预措施。如果拔管失败，新生儿会面临重新插管的并发症和呼吸状况恶化。因此，优化对高危患者拔管准备的评估可能会改善新生儿结局。Journal of pediatrics杂志发表了一项研究，使用机器学习开发预测模型，通过分析常规使用的床旁脉搏血氧仪和呼吸机提供的数据集评估早产儿拔管准备情况。

这项观察性研究对出生小于30孕周的早产儿的血氧饱和度（SpO₂）和呼吸机数据进行前瞻性记录。对高分辨率脉搏血氧仪数据进行处理，以准确量化SpO₂ <80%阈值时的间歇性低氧血症（IH）。从床旁呼吸机连续收集呼吸机指标（4-5分钟采样）。使用以下数据源创建三个模型：第一种模型使用脉搏血氧仪和呼吸机数据（IH + SIMV）组合。其他2种模型包括仅脉搏血氧仪（IH）或仅呼吸机（SIMV）数据。

研究人员对110例早产儿共110例拔管事件进行分析。婴儿的中位胎龄和出生体重分别为26周和825克。拔管当天，婴儿的中位出生年龄和体重分别为12.1天和1075克。

在使用的机器学习算法中，随机森林算法在所有数据源和人群分析中的平均AUC最高，表现最稳定。对3个模型进行SHAP分析。IH+SIMV模型：在所有年龄组，过期潮气量、动态顺应性和吸入潮气量是表现最好的特征。对于<2周龄的婴儿，自主潮气量和强制潮气量、阻力和动态顺应性是影响最大的特征。对于>2周龄的婴儿，FiO₂、吸入强制潮气量和阻力是表现最好的特征。在3种模型中，IH+SIMV模型的AUC最高，为0.77。按出生年龄区分婴儿进一步提高了准确性，<2周龄组的AUC为0.94，>2周龄组的AUC为0.83。

结果表明，通过使用机器学习，利用床旁脉搏血氧仪和呼吸机的数据提高了早产儿拔管准备情况的预测准确性。

原文出处：

Mandy Brasher, Alexandr Virodov, et al, Predicting Extubation Readiness in Preterm Infants Utilizing Machine Learning: A Diagnostic Utility Study, Journal of pediatrics, 2024, https://doi.org/10.1016/j.jpeds.2024.114043.

Tags： JOP：利用机器学习预测早产儿拔管准备情况