Gaussian process classification for prediction of in-hospital mortality among preterm infants

Olli Pekka Rinta-Koski*, Simo Särkkä, Jaakko Hollmén, Markus Leskinen, Sture Andersson

*Tämän työn vastaava kirjoittaja

Tutkimustuotos: LehtiartikkeliArticleScientificvertaisarvioitu

6 Sitaatiot (Scopus)

Abstrakti

We present a method for predicting preterm infant in-hospital mortality using Bayesian Gaussian process classification. We combined features extracted from sensor measurements, made during the first 72 h of care for 598 Very Low Birth Weight infants of birth weight < 1500 g, with standard clinical features calculated on arrival at the Neonatal Intensive Care Unit. Time periods of 12, 18, 24, 36, 48, and 72 h were evaluated. We achieved a classification result with area under the receiver operating characteristic curve of 0.948, which is in excess of the results achieved by using the clinical standard SNAP-II and SNAPPE-II scores.

AlkuperäiskieliEnglanti
Sivut134-141
JulkaisuNeurocomputing
Vuosikerta298
DOI - pysyväislinkit
TilaJulkaistu - 2018
OKM-julkaisutyyppiA1 Julkaistu artikkeli, soviteltu

Sormenjälki Sukella tutkimusaiheisiin 'Gaussian process classification for prediction of in-hospital mortality among preterm infants'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

  • Lehtileikkeet

    Machine learning in neonatal intensive care

    Simo Särkkä, Jaakko Hollmen & Olli-Pekka Rinta-Koski

    26/09/2018

    1 kohde/ Medianäkyvyys

    Lehdistö/media: Esiintyminen mediassa

    Siteeraa tätä