利用临床数据早期预测早产儿支气管肺发育不良

背景：

早产是新生儿发病率和死亡率的主要原因。 支气管肺发育不良（BPD）是早产儿中最常见的慢性肺部疾病之一，尤其是在胎龄极低或出生体重极低的早产儿中。 BPD会增加长期氧依赖、住院时间和呼吸系统并发症的风险。 早期预测BPD对于优化临床管理至关重要。

胎龄、出生体重、机械通气持续时间、氧疗、感染和血流动力学因素是已知的BPD风险因素。 目前已开发出多种临床风险模型用于早期预测BPD，但其临床适用性有限。

人工智能（AI）和机器学习的最新进展在分析临床数据和预测疾病风险方面显示出潜力。 大型语言模型（LLMs），如ChatGPT、Gemini和Claude，能够解释复杂的临床数据集并生成风险预测。 然而，评估它们在预测早产儿BPD方面性能的研究有限。

目的：

回顾性评估不同LLMs在利用出生后第1、2和3周的临床数据预测早产儿（<32周胎龄或<1,500克）BPD方面的性能。 本研究旨在比较AI生成的预测与实际临床结果。

研究设计：

回顾性、观察性、单中心研究 从医院记录中提取科尼亚市医院NICU的临床数据并进行匿名化处理 AI模型（ChatGPT、Gemini、Claude）将接收标准化数据集，包括胎龄、出生体重、性别、呼吸支持、氧需求、机械通气持续时间、感染状态和其他相关参数 AI预测将BPD风险分类为低、中、高，并提供估计的概率百分比

参与者：

纳入标准：胎龄<32周或出生体重<1,500克的早产儿，具有完整的临床数据，在研究期间在NICU随访 排除标准：患有重大先天性异常、临床数据不完整或早期产后死亡的婴儿

结果：

主要结果：AI模型预测BPD与实际临床结果相比的准确性 次要结果：AI预测的敏感性和特异性、每周预测的比较、AI模型之间的性能比较

统计分析：

描述性统计（均值、标准差、计数、百分比） 预测性能指标：准确性、敏感性、特异性、ROC分析 使用DeLong检验比较模型和每周预测 统计显著性：p < 0.05

设置：

单中心、医院为基础、科尼亚市医院NICU 回顾性临床数据收集

样本：

目标人群：BPD高风险早产儿（<32周或<1,500克） 样本量：使用G-power软件计算，最小108名婴儿（80%功效，5%显著性，中等效应量=0.3）

AI模型协议：

每个出生后周的标准化提示：

出生后第[1/2/3]周早产儿的临床数据：

• 胎龄：[周+天]
• 出生体重：[克]
• 性别：[男/女]
• 产前类固醇：[是/否]
• 表面活性剂治疗：[剂量计数]
• 呼吸支持：[MV/CPAP/HFNC]
• FiO2需求：[%]
• 败血症/PDA状态：[是/否]

预测BPD风险（低/中/高）并为每个类别提供概率（%）。

伦理：

研究经机构伦理委员会批准 数据匿名化并保持保密性