文摘
本文提出机器学习可以突破的技术限制的线性增长测试婴儿的早期体格小于胎龄,可以准确地计算和预测疾病的后果。用于测试的线性增长的早期体格婴儿小于胎龄,数据收集和判断根据计算机分析方法进行。实验结果表明,47.3%的婴儿小于胎龄可能会窒息。本研究的实验对象设计small-for-gestational-age婴儿住院新生儿重症监护室从2020年1月至2021年1月。根据胎龄和出生体重之间的关系,调查受试者分为两组:早期组和晚期组。男性和女性small-for-gestational-age婴儿占68%和32%,分别。其中,早期孕龄的比例最多,男孩多于女孩,生病的独立不仅仅是双胞胎。组早期,新生儿窒息发生率为52.1%,22.5%,喂养不耐受,14.8%,颅内出血,6.3% scleredema, 24.7%的新生儿高胆红素血,低血糖为24.6%,1.1%,呼吸暂停,呼吸窘迫综合征为3.2%。婴儿发展纠正胎龄的不同阶段是不同的。低体重发生率(6%)3个月校正后显著降低与孕龄校正相比,差异具有统计学意义(< 0.05)。婴儿的营养吸收小于胎龄可以促进身体的发展,身体发育和神经发育。因此,婴儿的身体发育比孕龄年轻需要注重营养的补充。
1。介绍
新生儿出生体重可以反映出这个国家的社会和经济发展。与生活方式的改变,small-for-gestational-age婴儿的发病率增加。SGA可以带来不良后果,如身材矮小、社会心理问题,和metabolic-related疾病,包括高脂血症、2型糖尿病和心血管疾病。人们越来越多的关注婴幼儿的身体健康。一旦新生儿疾病,不及时治疗,它不仅会导致死亡率的增加也导致许多在围产期并发症。同时,在跟踪这些新生儿的青春期,很大一部分婴儿远远落后于其他同龄的正常新生儿的智力、身高、体重,和听力。愿景和许多其他方面都明显落后于正常儿童。Small-for-gestational-age婴儿,也称为宫内生长迟缓或小样本的婴儿,婴儿是指新生儿的出生体重低于第十百分位的平均体重相同胎龄的两个标准差或低于平均体重相同的胎龄。这些新生儿不仅在围产期高危也有一系列的问题在学校年龄和成年。
有许多结果小于胎龄婴儿的身体发育。例如,黄等人评估的增长趋势足月small-for-gestational-age婴儿从出生到2年在成都,中国。他们进行了前瞻性随访足月SGA的婴儿从出生到2年。他们还监测体重、长度和周长主管3、6、12、18、24个月。追赶生长和增长率是衡量使用标准化的分数和Δz分数。没有显著差异在男孩和女孩之间出生时体重或长度(1]。钟研究之间的生长和新陈代谢的差异小胎龄(SGA)和合适的胎龄(AGA)。他把它们分成SGA组和AGA组根据胎龄和出生体重之间的相关性。一般条件下,身体发育和血液生化指标的两组患者相比2]。赵等人旨在确定血清尿酸是否合适的预测子痫前期的妇女妊娠高血压和small-for-gestational-age婴儿。他们用尿酸z分数和二元逻辑回归分析建立血清尿酸和之间的关系的机会发展先兆子痫和small-for-gestational-age婴儿。结果表明,升高血清尿酸的几率将会增加妊娠高血压进展子痫前期和后续交付small-for-gestational-age婴儿(3]。具体地说,儿童SGA的围产期死亡率远远高于正常体重的新生儿,并相应疾病的风险也增加了。与此同时,这些孩子也容易认知障碍和学习能力下降当他们长大上学的年龄。成年后,成年人一生中许多人的高度将低于正常的人口的2个标准差。
本文首先进行一个简单的理解婴儿小于胎龄,主要从其定义、问题、病因、临床表现、治疗方法、分类、预测等。其次,利用计算机分析技术来分析和预测数据小于胎龄婴儿。然后,他们研究了体格生长和增长率之间的关系,收集相关数据,并进行了实验研究。最后,得到了实验结果。
2。的线性增长的早期体格Small-for-Gestational-Age婴儿基于计算机分析方法
2.1。小胎龄
2.1.1。定义
Small-for-gestational-age婴儿通常表明,新生儿的出生体重低于第十百分位数的出生体重相同胎龄发病率较高。这部分新生儿不仅具有极高的风险在围产期但也有一系列的问题在学校时代和成年4,5]。
2.1.2。问题
(1)的死亡率高于正常胎儿,还会有许多在围产期并发症,包括吸入性肺炎,低血糖,颅内出血,窒息,高胆红素血,体温过低,营养不良等。这是一个更常见的并发症。(2)Small-to-gestational年龄疾病不仅影响胎儿阶段还他们的增长阶段。很大一部分婴儿远远落后于其他同龄的正常新生儿出生后的身体和智力。他们可能有症状,如呼吸道感染、糖尿病、肥胖、身材矮小、神经认知障碍,和穷人的教育成果6,7]。
2.1.3。导致
不发生在胎膜早破孕妇子宫内感染,和持续的宫内感染导致宫内生长迟缓。由于小动脉的脐动脉的痉挛,它阻碍了血液在胎儿和母亲之间交换,导致胎儿血液供应不足,影响胎儿的生长发育,导致SGA [8,9]。
2.1.4。临床表现
(1)营养不良、体重减轻、皮下脂肪薄,干燥的皮肤。(2)低血糖,大约三分之一的儿童出生后3天内会有低血糖。(3)宫内缺氧引起的症状,如羊水污染、黄疸、呼吸困难、脑病。(4)酸中毒:代谢性酸中毒是由组织缺氧和缺氧引起的新陈代谢。(5)宫内感染的症状:肝脾肿大、黄疸延长,视网膜脉络膜炎。(6)低压力反应和低肾上腺皮质功能。(7)孕产妇妊娠并发症严重会影响胎儿发育。孕产妇妊娠期高血压(HDCP)、多胎妊娠、羊水过少SGA在早产儿后期的常见原因。一些孕妇子宫内感染没有胎膜早破,但持久的宫内感染导致宫内生长迟缓。全身小动脉的痉挛。
2.1.5节讨论。治疗
除了纠正营养不良和防止低血糖,生长激素可以加速SGA的孩子的成长。生长激素治疗可显著提高儿童SGA的高度(10,11]。一些数据认为,GH治疗可以显著提高儿童SGA的高度,降低高度的标准偏差的分数滞后。它增加了在治疗的第一年最快。其效果与治疗剂量呈正相关,体重,平均身高的父母,开始治疗的年龄呈负相关。其中,GH剂量关系最大,其次是开始治疗的时代。增长反应第二年增长率有关第一年,开始治疗的时代,和GH剂量,其中第一个最大的关系。
2.1.6。预后
(1)短期预后。低血糖和代谢性酸中毒、红血球增多症、胎粪吸入综合征。
(2)长期预后。身体成长和发展。足月婴儿的身体生长和发育的身高、体重、头围明显落后,正常足月的婴儿,但没有区别在骨龄和性器官的发展12,13]。
缺氧的影响脑瘫可以影响DNA在细胞的生成,减少细胞的数量。这种效应在大脑中是最突出的,它是高发病率的主要原因SGA儿童的神经系统功能紊乱,如语言和智力障碍和视觉和听力障碍。
2.1.7。分类
根据体重指数和身体长度的比值头围,SGA分为两类:对称型和不对称型。匀称的类型主要是发生在妊娠前三个月,和大脑发育受损程度相同。不对称类型主要发生在妊娠晚期,和大脑发展相对不受影响,但它是容易低血糖(14- - - - - -16]。
不对称型:其质量指数小于2.00(胎龄小于或等于37周)或小于2.20(孕龄大于37周),和身体长度比头围小于1.36。通常是由孕产妇营养因子和血管疾病引起的,如子痫前症、慢性妊娠高血压,子宫畸形。受伤发生在怀孕的第三个三个月。期间胎儿快速增长,减少胎儿体重与身体的长度。头围是不成比例的减少,也就是说,体重小于预期的胎龄,而体长、头围与预期的孕龄一致,和大脑的发展通常是不受影响。
2.1.8。比较
SGA的短期和长期预测是完全不同于将军。有新生儿窒息发生率高,新生儿scleredema,新生儿缺氧缺血性脑病(HIE)、先天性畸形、新生儿喂养不耐受,新生儿高胆红素血。颅内出血等疾病的发病率明显高于在SGA比将军,和SGA的死亡率远远高于将军。
SGA的组织能力、方向感和认知能力在儿童低于AGA, SGA在青春期前也被困在一个艰难的学习情况。的能量代谢,SGA可能会导致疾病,如胰岛素抵抗、肥胖、高脂血症成年。穷人SGA的短期和长期预测表明,更要注意SGA干预。在晚期早产儿,small-for-gestational-age婴儿更复杂的病因,更多的并发症,更糟糕的是短期和长期的生活质量(17]。
2.2。预测婴儿小胎龄
近年来,深度学习已成为机器学习的一部分。的数据特征学习和预测效果,它展示了一个更高的能力比传统机器学习。深度学习避免了传统学习的这些缺点。它能够自动提取功能,同时,它能使非线性变化特性,这有很大帮助的预测模型。关于small-for-gestational-age婴儿疾病预测的问题,从最初的预测一个体检指标相结合的传统机器学习多个考试成绩来预测疾病,它是不可能解决的问题预测疾病的耗时且准确率small-for-gestational-age婴儿。不高的问题。在最初的“低级”逐渐转变为“高级”功能特性表示表示经过多层处理,复杂的分类和其他学习任务可以用“简单的模型完成。“因此,深度学习学习学习或表示可以被理解为特征。
在传统的浅层学习算法的应用,研究人员和开发人员需要依赖人类经验和专业常识构建相关特性之前到模型的特性。同时,模型学习后的特性都是单层的特性,不能提取和非线性高级特性。此外,大量的手工筛选是必需的。随着科学技术的发展,深度学习已成为最有效的预测方法预测领域的疾病。深度学习可以有效地低级特性抽象为高级特性,避免了传统机器学习的精度和耗时的缺陷,需要人工建筑的特性。因此,本文提出了一个基于深度学习的方法来预测small-for-gestational-age婴儿的疾病。因为这篇文章是基于SGA疾病预测基于深度学习,理解神经网络知识是非常必要的。典型的深度学习模型包括革命性的神经网络,DBN,堆放汽车编码器网络模型。此外,DBN可以被解释为一个贝叶斯概率生成模型,它是由多层随机隐变量。上两层无向对称连接,从上层下层获得top-down-directed连接,和国家最低的细胞是可见的输入数据向量。
神经元公式是
前馈传播算法来计算每个神经元的输出值权重的连接组和公式在上面提到的神经元的输出
Autoencoder是一个算法,允许模型通过训练来恢复原始数据。为了实现原始数据的复制,autoencoder必须我和提取潜在数据的法律培训过程中原始数据。
复发性神经网络主要用于处理序列相关的问题。计算过程如下:步骤1:一个(t)代表输入时间t(t= 0,1,2,3,…);步骤2:神经元在时间吗t在隐藏层。计算执行基于先前的网络层的输出和输入相同的隐层的神经元。 步骤3:是输出的时间吗t。 。隐层的状态神经元的状态,包括以前隐藏的输出层和隐层神经元的输出相同。输出输出层只有相关的输出 。注意Softmax逻辑回归模型在multiclassification逻辑回归模型的泛化问题。multiclassification问题,班上标签y可以超过两个值。Softmax回归监督,它将结合深度学习和无监督学习方法。
降噪autoencoder过程(图1):
2.3。体型线性赶上了增长率
体格检查包括身高、手指,坐在身高、体重、血压、脊椎畸形,智力测试应该执行如果有延迟增长和发展。增长速度是一个重要的指标来衡量是否追赶生长发生。同时,增长速度是身体发育评估的重要内容,它可以动态地反映了婴儿的身体发育比增长水平在一段时间内。
2.3.1。影响因素SGA的增长率
(1)SGA需要更高的蛋白质来维持正常的生理生长但不需要更高的能量比推荐值。相对低能,高蛋白饮食可以确保SGA的身体质量指数(BMI)仍在一个适当的范围内。在保证的前提下正常的身体成长,合适的低能,SGA高蛋白饮食可能是一个更好的选择。(2)SGA的增长率不仅受到营养因素影响,还受其他因素如遗传和内分泌。体重、身长、头围的增长速度0 - 3个月,3 - 6个月大的SGA与平均每日能量和每日蛋白质摄入量。由于庞大的能量和蛋白质赤字累积在早产儿中,尽管活跃在产后早期肠外和肠内营养支持期间,生长曲线仍将显著偏离,SGA在早产儿更可能是不良发展结果。因为它是同时受两个因素影响早产和SGA,它更倾向于异位生长迟缓。
2.3.2。动态变化的SGA增长率在6个月大的时候
SGA的赶超增长可以发生在任何增长时期的初级阶段,学前教育,入学年龄,或青春期,但大多数追赶生长发生在2岁。(1)在能量和蛋白质的前提下,可以确保正常的身体成长需求,那些加速增长到一定水平在一定时期内可能不会继续增长之后沿着生长曲线在水平;虽然SGA赶上增长之前,之后,未必有连续追赶生长。(2)SGA的重量和长度在产后早期增长并不总是沿着一个特定的生长曲线,但一个动态的过程。这种变化的原因在产后早期的增长率SGA,除了营养和疾病等因素,可能是早期儿童的身体发育强烈受到遗传因素的影响,重量和长度往往回到水平相当于遗传因素。
高度在婴儿期与成年的高度不相关。由于线性增长的不稳定性,早期生活的增长水平,追赶SGA的可能不是一个很好的指标最终高度水平,所以需要动态地监控SGA的身体发育。
通过研究,发现小SGA的出生体重,体重增长速率越快0 - 6个月;出生SGA的长度越小,越快的增长率体长在0 - 3个月的年龄,但身体长度在3 - 6个月的年龄增长速度与出生长度无关。年轻的胎龄,更快的重量和长度SGA在0 - 3个月的年龄会增长,但是增长率在3 - 6个月的年龄与孕龄无关。在身体发育也有性别差异。男性SGA与低出生体重婴儿成年身高明显低于AGA,而女性SGA没有类似的现象。增长率的体重、身高、头围Z女性儿童的价值大于男性儿童。前线的增长可以被提升在青春期,高度可以在儿童早期规范化。他们在童年后期维持正常的高度(青春期),达到正常成人身高。
2.4。孕龄婴儿数据集
孕龄婴儿数据包括各种指标的胎儿父母的孕前体检和产后随访调查。生成的数据是全国各相关领域的研究者,包括内科医学、遗传学、儿科和计划生育,并科学、公共卫生、流行病学等。医学检查的范围非常广泛。
孕龄数据,特点主要是集中在新生儿父母的身体检查胎儿在怀孕之前,包括人口统计信息,包括体重、身高、血型、文化教育和种族;父母平时的生活习惯,比如他们是否吸烟或喝酒,是否要吃肉,等;父母的心理状态,如是否有财务压力,是否有工作压力;父母的生活环境因素,如是否暴露于化学品,辐射,以及他们是否养宠物;父母的生殖系统,如男性生殖器官是否包皮;父母的身体检查,如血压、尿常规等。
同时,孕龄儿童的原始数据不能直接放入模型进行训练。直接使用原始数据进行模型训练会导致低效率等问题建模和相应的算法精度较低。因此,本文的下一个任务是对原始数据进行预处理和规范化数据模型的训练。
数据清理:首先,原始数据清洗,有大量的项目没有使用small-for-gestational-age婴儿疾病的预测。检测项目与缺失值太多,没有疾病的预测价值的物品被删除。检验特性可分为两类:离散特性,如血型、家庭、和性别,使用不同的代码来表示不同的属性值的特性。连续的特性,如血压、肌酐和其他家长的临床体检项目。
2.5。模型预测建筑物理的增长
它分为两个阶段。第一阶段是无监督学习的编码器,用于减少维度和抽象的特性。第二阶段是将标签样本到模型的指导培训,目的是调整的重量模型的相关参数。
第一阶段是无监督学习。输入样例是一个未标记样本,模型的输入层和输出层的属性值是样品。同时,隐藏层的编码器是根据先前的实验证明是最好的效果。主要输入数据包括出生日期、重量、孕产妇病史,生长激素,母乳的频率,和蛋白质含量。在改进的编码器,需要添加噪声的输入层,因为噪音的比例会导致特征降维的效果和抽象,和监督的准确性训练分类器的下一个阶段。
第二阶段是监督学习。调整模型中的权重,也就是说,添加一个分类器(乙状结肠层)在无监督autoencoder结束,所以无人监督的编码器具有分类功能。模型的输出与样本的标签执行监督参数的微调。
3所示。数据收集和调查
3.1。的信息来源
选择孩子小胎龄在新生儿重症监护室住院从2020年1月至2021年1月和排除胎龄以上的孩子。住院治疗的临床资料进行回顾性分析,分为两组:早期组和晚期组根据胎龄和出生体重之间的关系。这些两组新生儿的生理变化进行了研究,SGA的发病率和AGA新生儿早期和晚期早产儿比较和分析。
3.2。选择标准
入选标准如下:(1)出生时胎龄小于37周(2)出生体重低于平均体重的90的婴儿同样的胎龄(3)入学时年龄小于或等于24小时
4所示。结果分析
4.1。概况
在本文中,男性和女性的孩子占了68%和32%,分别。其中,26%,19%,23%,11%,8%,和13%的早期小胎龄,中期妊娠年龄小,和晚期胎龄小,分别双轮胎32%,单一轮胎68%,如表所示1。
如图2,我们可以知道有更多的男孩比女孩和单比双胞胎small-for-gestational-age婴儿出生,和婴儿体重、低出生体重占最大的比例。其次,男孩small-for-gestational-age在早期阶段是最出生,紧随其后的是晚期,而女孩出生在中期和后期阶段。
4.2。重大疾病的发病率的比较两组小胎龄
早期组发生率52.1%,新生儿窒息,喂养不耐受,22.5% 14.8%,颅内出血,6.3% scleredema, 24.7%的新生儿高胆红素血,低血糖为24.6%,1.1%,呼吸暂停,呼吸窘迫综合征为3.2%,如表所示2:
如图3后期集团表现出41.3%的新生儿窒息,喂养不耐受的11.9%,5.6%的颅内出血,scleredema的7.5%,33.8%的新生儿高胆红素血,15.1%(38例)的低血糖,3.4%的呼吸暂停,呼吸窘迫综合征的1.3%。
4.3。产后身体发育的婴儿比孕龄年轻
当纠正胎龄,体重过轻的发病率增长的偏差,生长迟缓,头小畸型,超重,肥胖是21%,12%,3%,和5%,分别。特定的生理变化如表所示3:
如图4,我们可以看到,生长迟缓的发生率最高的是18%的纠正胎龄在1个月,头小畸型的发生率最高,超重,肥胖是纠正胎龄在3个月的20%和7%。低体重发生率(6%)3个月校正后显著降低与孕龄校正相比,差异具有统计学意义(< 0.05)。
5。结论
随着计算机技术的快速发展,标准化的数据收集、计算能力的迅速提高,现代科学研究带来了新的机遇和支持。机器学习是最重要的工具之一,现代科学的发展带来新的突破。机器学习是发现潜在的大量数据和提取有用信息的数学法则建立相关模型。计算机数据分析技术的基础上,通过实验研究本文得出以下结论:婴儿的存活率小于胎龄低于正常的婴儿;其次,婴儿年龄小于胎龄有着糟糕的体格和更容易生病。增长过程更加困难,很可能智力发展不完整,生长激素是坑坑洼洼,增长不大。孩子小胎龄普遍面临的问题在产后早期营养摄入不足。由于胎儿的营养储备不足、不成熟的胃肠功能开发,可怜的喂养耐受性,出生后和其他疾病,仍然很难赶上经济增长。
数据可用性
数据基础的研究结果中可用的手稿。
的利益冲突
本文没有潜在的利益冲突,和所有作者的手稿和批准提交你的日记。