ICU患儿人工智能应用研究热点的可视化分析.pdf

898ChinJEmergCritCareNurs,October 2023,Vol.4,No.10中华急危重症护理杂志2 0 2 3年10 月第4卷第10 期重症新技术应用与管理专题ICU患儿人工智能应用研究热点的可视化分析张碧霞沈南平石松松王浩韩挺沈碧玉【摘要】目的探讨人工智能在ICU患儿中应用的研究现状与关注热点。方法检索Webof Science核心数据库，应用CiteSpace5.6.R5可视化软件对该领域研究的发文量趋势变化、关键词共现与突现词进行可视化。结果检索获取2 0 2 篇文献，156 篇文献符合纳入标准。自2 0 16 年以来，该领域发文量呈持续快速增长趋势；“机器学习”“深度学习”“人工神经网络”“死亡率”、“风险”及“评分”等关键词出现频次较高。结论早期预测是该领域受关注的研究热点与研究前沿，然而目前较多研究仅停留开发阶段，未来仍需要大规模数据对其进行验证。【关键词】人工智能；危重病护理；儿童；文文献计量学Artificialintelligence-basedd.techniquesapplied to critical ill children:abibliometric本文作者：张碧霞analysis/ZHANG Bixia,SHEN Nanping,SHI Songsong,WANG Hao,HAN Ting,SHEN BiyuAbstractObjective To explore the research situation and focuses in the field of artificial intelligence-basedtechniques applied to critical ill children.Methods Web of Science core database was retrieved and Citespace5.6.R5 visualization software was applied to visualize the trend changes in publication volume,keyword co-occurrence,and emergent words of research in this field.Results Since 2016,there was a continually,rapidlyincreasing tendency for publication.Keywords“machine learning,“deep learning,artificial neural network,“mortality,risk and“score occur frequently.Conclusion Early prediction is the main research frontier and thehot topic in field.At present,many studies are only in the development stage,and large-scale data verification isstill needed in the future.Key wordsArtificial Intelligence;Critical Care Nursing;Child;Bibliometric Analysis人工智能（artificialintelligence,AI)是使用计算机模拟人类思维方式与行为的一门技术科学1。得益于计算机科学的发展，基于人工智能的技术在疾病的临床诊断和预测等方面发挥着重要作用2-5。与成人不同，儿童处于生长发育阶段，生理系统和器官发育不成熟；同时，ICU患儿还存在致命性机体失代偿的高风险。由于疾病进展的复杂性和难以预测性，对于医疗保健专业人员来说，治疗或护理ICU患儿是一项严峻挑战6 。基于人工智能的技术有望有效减少这些复杂的异质性7-13。然而,基于人工智D01:10.3761/j.issn.2096-7446.2023.10.006D01:10.3761/j.issn.2096-7446.2023.10.006基金项目：上海高水平地方高校创新团队项目（SHSMU-ZDCX20212800）；2 0 2 2 年上海交通大学医学院护理学科人才队伍建设项目（沪交医护【2 0 2 2】1号）作者单位：2 0 0 12 00上海市上海交通大学医学院附属上海儿童医学中心（张碧霞，沈南平，石松松，王浩，沈碧玉）；上海交通大学设计学院（韩挺）通信作者：沈碧玉，E-mail：s h e n b i y u 12 6.c o m张碧霞：女，硕士，护师，E-mail：2 0 192 110 6 40 s t u.g z u c m.e d u.c n2023-06-19收稿能的技术在ICU患儿中的应用研究现状、研究热点与研究前沿仍不清楚。文献计量学分析可以系统、直观地输出某一领域文献的结构、分布和规律性，减少主观偏差，帮助研究者对某一领域的发展现状和方向有一个大致认识7 。此外，Web of Science(WOS)数据库为CiteSpace分析的最佳数据集，本研究将基于WOS数据集对目前人工智能技术应用于ICU患儿中的研究现状热点与研究前沿进行可视化分析，为研究者了解该领域发展概况提供参考。资料与方法1.1文献来源与检索策略文献来源选自Webof Science核心数据库。参考既往研究8 并咨询该领域专家，确定本文检索策略如下。（TS=(artificial intelligence OR machinelearning OR deep learning)OR TS=(support vec-tor machine OR random forest OR Markov decisionprocessOR hidden Markov model OR fuzzy logicORk-nearestneighborORnaiveBayesOR899ChinJEmergCritCareNurs,October2023,Vol.4,No.10中华急危重症护理杂志2 0 2 3年10 月第4卷第10 期重症新技术应用与管理专题Bayesian learning)OR TS=(artificial neural net-work OR convolutional neural network OR recurrentneural network OR generative adversarial networkOR deep belief network OR perceptron)OR TS=(natural language processing OR natural languageunderstanding)OR TS=radiomic*)AND(TS=(pedi-atric*OR child*OR adolescent*OR teenager*OR youth*OR neonate*OR infant*)）A ND （T S=(PICU OR NICU ORCICU OR IntensiveeCareUnit）。检索时间为自数据库建库起至2 0 2 2 年7 月。纳人标准：文献类型为期刊论文、临床试验；研究对象为ICU儿童患者，包括胸外科监护室（CICU）、新生儿监护室（NICU）、儿科监护室（PICU)患儿；研究方法为应用人工智能技术，如机器学习、深度学习。排除标准：语言类型为非英语语种；综述、摘要、会议论文、病例报告、信件；未经同行评审的文献，如研究方案。1.2文献提取文献导出并去重后，由2 名研究人员根据纳人排除标准独立筛选标题和摘要，对2 名研究人员认为可能相关的研究进行进一步阅读，并对全文进行筛选。如有疑义将由第三方决定。共检索2 0 2 篇论文，剔除不符合的文献，最后共156 篇文献被纳人，见图1。1.3数据分析使用CiteSpace5.6.R2对文献进行可视化分析，包括发文量趋势情况、关键词网络、关键词突现9-10 。设置“每片年份 长度为“1。不同网络中的节点表示不同的元素，节点大小表示出现的频率。节点之间线条反映了协作或共现或共引的关系1-12 2结果2.1人工智能技术在ICU患儿中应用的发文趋势图2 显示了2 0 10 年一2 0 2 2 年的发文量趋势变化情况。结果表明，2010年一2 0 16 年该领域每年发文总通过WOS数据库检索获得文献（n=202篇）剔除重复文献（n=0)阅读文题及摘要初筛（n=202）排除文献（n=38）：文献综述（n=27）、会议论文（n=3）、信件（n=2)、研究方案（n=6)阅读全文复筛文献（n=164）排除（n=8)：研究对象不符（n=7）、研究科室不符（n=1）最终纳入文献（n=156)图1文献检索策略流程图Figure 1Flowchart of searching strategies5040302010020102011 2012 2013 2014 2015 2016 2017 2018 201920202021 2022年份（年）图2 ICU患儿人工智能应用文献发文量趋势图Figure 2 Publications changing tendency of artificial intelligence-basedtechniques applied to critical ill children量较少。但自2 0 16 年以来，论文数量呈持续快速增长趋势，在2 0 2 1年发文量达到最高，达45篇2.2人工智能技术在ICU患儿监护领域应用的关键词共现分析Csace,20202210.07:3FC57.P.6.1.R254-bmBkW200020220LelectionCriwor-250.5-0o(Donay-o.0225)mortalityLaPruningPantnderWeightedweHamonicMean(Q.S-o.7792pediatrie intensive careneonatal intensivecareunitriskoutcmdntensivecarglak faectorartificlal IntelligenceinfectionneuralnetworkaigorithmbirthbraininjuryBopsissoverltyvertYationeareoartyprediotionepidemiologyprotermintantdlagegralc arrestsystemartificialmeural networkconvolutionalneuralnetworkinfantscorechildrensutomatoddetectionvalldationneonatal mortalitydeoislonsuppontdeeplearningearlywarningncorejntensivecareunitodedclassificationmachinelearningCiteSpace图3关键词共现网络Figure3Networkmap ofkeywords900ChinJEmergCritCareNurs,October2023,Vol.4,No.10中华急危重症护理杂志2 0 2 3年10 月第4卷第10 期重症新技术应用与管理专题关键词共现网络如图3与表1所示，人工智能方法论中的专有名词,如“machine learning(机器学习）”“deep learning(深度学习）“artificial neural network（人工神经网络）”“classification（分类）”“system（系统）”“validation(效度）出现频次较高，其次是mor-tality（死亡率）”“risk（风险）及“score（评分）”等关键词。2.3人工智能技术在ICU患儿监护领域应用的研究前沿设置“最小持续时间”阈值为1年，本研究发现在2 0 11年一2 0 2 2 年共发现了18 个暴发被引关键词。图4可看出，红色条表示最强引暴突现，意味着该关键词在这段时间被频繁引用。最近暴发被引的11个关键词分别是“neonatalmortality（新生儿死亡率）”“neural network（神经网络）”“outcome(结果）”“ma-chine learning（机器学习）“algorithm（算法）”“con-volutional neural network（卷积神经网络）”“inten-sive care unit(重症监护室)“neonatal intensive careunit(新生儿重症监护室）“pediatric intensive care（儿童重症监护）”“model（模式）”“earlyprediction(早期预测）)”。3讨论3.1人工智能技术在ICU患儿监护领域应用发文量呈持续上升趋势本文发现人工智能技术应用于ICU患儿的第1篇文献于2010年被WOS收录。2016年前的年度发表量总体较少，最大发表量仅为6 篇，2 0 12 年甚至为0 篇。但自2 0 16 年以来，年度发文量总体呈稳定、持续增长趋势。尽管论文发表量在2 0 2 2 年出现下降，但仍接近2 0 2 1年的2/3。这提示应用人工智能技术于ICU患儿表1出出现频次排名前10 位的关键词Table 1 The top 10 keywords ranked by occurrencefrequency排名频次关键词141machine learning(机器学习)218children(儿童)317mortality(死亡率)416deep learning(深度学习)416risk(风险)514score(评分)612intensive care unit(重症监护室)711artificial neural network(人工神经网络）810validation(效度）99classification(分类）107system(系统)中已受到越来越多关注。然而，与成人患者相比，关注度仍相对较少，这说明基于人工智能的技术在危重症患儿中的应用具有较大发展空间133.2人工智能技术在ICU患儿监护领域中应用的研究热点与前沿分析人工智能技术在ICU患儿中的应用主要包括预测结局、诊断疾病和监测病情3个方面3.2.1人工智能技术监测患儿病情变化KeywordsYearStrengthBeginEnd1998-2022preterm infant19981.9420112016diagnosis19981.5420112018infection19981.5920132016early warning score19981.5220152019culture19981.5720182019sepsis19982.9120192020system19981.3420192019neonatal mortality19982.2420212022neural network19982.0020212022outcome19981.7920212022machine learning19981.6720212022algorithm19981.4820212022convolutional neural network19981.4820212022intensivecare19981.4820212022neonatal intensive care unit19981.4820212022pediatric intensivecare19981.3720212022model19981.3420212022early prediction19981.3420212022图4关键词突现Figure 4 Keywords with the strongest citation burst901ChinJEmergCritCareNurs,October2023,Vol.4,No.10中华急危重症护理杂志2 0 2 3年10 月第4卷第10 期重症新技术应用与管理专题（1）人工智能技术辅助无创监测生命体征ICU标准护理管理中涉及有线的生命体征监测，而有线的生命特征监测可造成医源性皮肤损伤风险。基于此，研究人员开发了基于人工智能的无创监护技术，如基于卷积神经网络组成的深度学习框架，利用来自深度视频或图像信息，用于评估与监测早产儿自发运动的肢体姿势，以帮助医护人员判断其是否健康1415。另外,研究人员还使用有限热成像或摄像机用于监测新生儿呼吸和异常心率16-17 。因此，convolutional neural network（卷积神经网络）成为该领域的研究前沿之一。卷积神经网络是通过保留图像中像素之间的空间关系来克服图像中某个特征的空间上下文丢失，被广泛用于模糊或锐化图像，以检测异常图像18 。然而，仅通过视觉图像数据来判断病情缺乏严谨性，这个过程可能忽略了微弱而复杂的生理变化信号。因此,Chung等19 基于人工智能开发了算法以实现非侵入性的无线监测技术来捕捉心率、呼吸频率、温度和血氧饱和度，跟踪活动并捕捉心脏活动的声学特征,以及记录声音生物标记。Kapur等2 0 使用人工神经网络并提取心音信号，开发一种精确、无创的血压监测系统，通过提取反映微弱复杂生理信号数据，建立生命体征监测模型，在ICU护理管理中，对于平衡无创监测和准确监测的要求具有重要意义。然而，目前相关研究仅基于小样本人群数据进行开发，仍然需要更大规模、多中心随机对照试验来验证其无创监测准确性。此外，对于监测血流动力学相关指标如动脉血压、中心静脉压的监测仍需进一步探索（2)人工智能技术辅助监测患儿失眠与疼痛症状除了生命体征监测,症状监测也是该领域的应用重点，对于提高症状管理效率具有重要指导意义。有研究2 1-2 2 利用支持向量机分类器技术，利用发声、运动、婴儿眼部状态甚至心电图特征来监测新生儿睡眠周期。然而，目前尚未有相关研究证实增加多导睡眠监测(polysomnography,PSG)信号来证明该技术在睡眠监测中的性能，仍需进一步发展2 3。除睡眠监测外,Salekin等2 4 采用面部或身体视频信号和哭声音频信号以生成患儿疼痛评分，用于评估新生儿术后疼痛。同时,Kelati等2 5 利用k-nearest-neighbour向量嵌入方法提取疼痛相关的面部肌电图特征，从肌电波和颧肌肌电图中评估面部表情，并从肌电图信号处理和数据分析流中估计ICU患儿的持续性疼痛。然而，对于ICU患儿而言，声音或面部运动的信号可能会因镇静而丢失，这种情况下使用人工智能技术来监测患儿疼痛的准确性有待商椎。因此，有必要进一步探索在技术中加入生命体征、生物标志物等参数来监测患儿疼痛3.2.2人工智能技术辅助疾病诊断决策人工智能技术应用于疾病诊断曾是该领域的研究前沿。在临床诊断中,需要考虑患者主诉、医学影像与实验室化验结果等多模态信息。人工智能技术利用自然语言处理技术和图像识别技术进行多模态信息处理以辅助临床疾病诊断决策2 6-2 7 。但与其他专科相比，人工智能技术用于辅助ICU患儿疾病诊断的应用较有限2 8 。诊断可以提高早发现、早诊断、早治疗的二级预防理念，而对于从已知诊断或由原发病加重所致的ICU患儿，采用人工智能技术进行诊断的需求可能会降低无论是生命体征的监测还是疾病诊断，人工智能在ICU患儿中的应用都是基于横断面数据进行判断或决策。而ICU患者病情动态变化,基于时间序列数据预测未来患儿纵向进展趋势的模型可能更具意义。3.2.3人工智能技术辅助预测未来结局预测未来结局是该领域的主要关注热点。earlyprediction（早期预测）是人工智能在ICU患儿中应用的研究热点与研究前沿话题。最初，早期风险预警评分被用于帮助医护人员预测患者病情恶化，直到近年来，人工智能方法已实现利用电子健康记录数据（包括随时间推移的生命体征变化数据和各种类型医疗数据)开发预测病情恶化模型12 。这些模型的预测因子中不仅包括生命体征（心率、呼吸频率、体温、血压等）、社会人口学数据，还包括了医学影像结果、实验室结果，以及护理评估结果2 9。尽管已有大量研究建立了有效的预测模型，但预测变量类型多样，甚至还包括主观评价分数。到目前为止，尚无研究对预测因子的贡献进行总结和评价。因此，有必要对现有预测模型进行评估，以便指导研究人员选择正确的变量。此外，现有预测模型只能提供恶化概率或病死率，不能提供后续的治疗指导，还需要进一步探索。尽管如此，基于人工智能的病情发展预测模型可为医护人员或家属对于治疗方案的选择提供参考，一定程度上减少了伦理压力并有助于优化医疗资源30 902ChinJEmergCritCare Nurs,October 2023,Vol.4,No.10中华急危重症护理杂志2 0 2 3年10 月第4卷第10 期重症新技术应用与管理专题除病死率预测外,并发症预测也是人工智能技术在ICU患儿中的应用领域。有研究从电子健康记录中收集数据（人口统计、纵向生命体征、诊断、抗生素、微生物和治疗数据等），以开发基于机器学习方法的预测模型,可在临床识别之前至少4h识别败血症3132 。此外,研究人员通过从电子健康记录中提取包括生命体征甚至药物剂量在内的数据，开发心搏骤停的有效预测模型33。基于人工智能技术的预测模型可以协助医护人员及时采取有效的应对措施，阻止患者病情恶化。然而，目前通过增加不同变量种类来开发预测模型的研究日益增多，但对预测模型的偏倚风险进行总结和评价的相关研究尚不多见。因此，有必要开展相关研究对预测模型进行评价。此外，随着人工智能的发展，越来越多的电子健康记录数据将被应用于模型预测,因此,增强信息存储介质，整合数据共享是人工智能技术进一步应用的必要条件。与此同时，随着患者数据被采集与应用，存在隐私或信息泄漏风险，因此，保护患者信息安全也同样重要，如采取对相关人员进行信息保密管理规章制度培训、内部网络与外部公共信息网络进行隔离切断传输渠道等方式343.2.4人工智能技术应用的主要方法本研究结果显示，最为流行的人工智能方法是机器学习（machine learning），与既往研究35 结果一致。作为人工智能的核心技术，机器学习已经成为应用于临床实践中最为普遍的方法。机器学习使用数据子集生成算法，从大量数据中分析规则，通过模拟人类思维进行自我学习,并做出决策和预测18 。本研究中,死亡率预测和并发症发生概率预测是人工智能在危重症患儿中的主要应用方面，因此，机器学习是该领域的研究热点与前沿话题之一。监督机器学习是机器学习方法中的一种,其利用训练数据集将特征映射到目标，从而预测所分类结果。分类承担了预测某一个示例属于哪一类的任务，这使得分类（classification）也成为本研究发现的热门话题之一。尽管人工智能技术现已被广泛应用于临床，提高了医护人员的工作效率，但人工智能算法的偏差可导致输出结果的不公平而对患者造成伤害。由于设计者的主观偏见、认知偏差与认知局限性以及数据缺乏准确性与完整性等原因,导致人工智能算法的生成偏差。因此,在应用人工智能技术时,需规避主观与客观因素，如强调人在人工智能算法中的主体责任、提高数据挖掘的准确性以及提高算法的透明性等方式来减少不公平现象发生36-37 4小小结本研究的文献仅从1个数据库中检索且检索词可能无法涵盖该领域中的每一篇文献。然而，WOS数据库被认为是文献计量分析中最可靠的数据来源。此外，本研究参考既往研究并咨询人工智能专家后制订检索策略。因此，本文对该领域的整体发展现状仍具有参考价值，未来可增加电气电子工程师学会图书馆（IEEEElectronicLibrary）等其他中英文数据库进行进一步探索。本研究报告了ICU患儿人工智能应用领域的发文量变化趋势、关注的研究热点与研究前沿话题，为了解人工智能技术在危重症儿童中的应用现状提供了新视角。早期预测是该领域的主要研究热点与研究前沿，未来仍需要大规模研究进行验证。参考文献1Ramesh AN,Kambhampati C,Monson J,et al.Artificial intelli-gence in medicineJ.Ann R Coll Surg Engl,2004,86(5):334-338.2Wang KS,Yu G,Xu C,et al.Accurate diagnosis of colorectalcancer based on histopathology images using artificial intelli-genceJ.BMC Med,2021,19(1):76.3 Nanmaran R,Srimathi S,Yamuna G,et al Investigating the roleof image fusion in brain tumor classification models based onmachine learning algorithm for personalized medicineJJ.ComputMath Methods Med,2022,2022:7137524.4Enshaei A,Robson CN,Edmondson RJ.Artificial intelligencesystems as prognostic and predictive tools in ovarian cancerJ.Ann Surg Oncol,2015,22(12):3970-3975.5Bragazzi NL,Dai HJ,Damiani G,et al.How big data and artifi-cial intelligence can help better manage the COVID-19 pan-demicJJ.Int J Environ Res Public Health,2020,17(9):3176.6Banerjee S,Mohammed A,Wong HR,et al.Machine learningidentifies complicated sepsis course and subsequent mortalitybased on 20 genes in peripheral blood immune cells at 24 Hpost-ICU admissionJJ.Front Immunol,2021,12:592303.7陈悦，陈超美，刘则渊，等.CiteSpace知识图谱的方法论功能J.科学研究，2 0 15,33（2)：2 42-2 53.Chen Y,Chen CM,Liu ZY,et al.The methodology function ofCiteSpace mapping knowledge domainsJ.Stud Sci Sci,2015,33(2):242-253.8Tozzi AE,Fabozzi F,Eckley M,et al.Gaps and opportunities ofartificial intelligence applications for pediatric oncology inEuropean research:a systematic review of reviews andabibliometric analysisJ.Front Oncol,2022,12:905770.9Chen CM.CiteSpace II:detecting and visualizinggemerging903ChinEmergCritCareNurs,October2023,Vol.4,No.10贞谢（本文编辑中华急危重症护理杂志2 0 2 3年10 月第4卷第10 期重症新技术应用与管理专题trends and transient patterns in scientific literatureJJ.J AmSoc Inf Sci Technol,2006,57(3):359-377.10Synnestvedt MB,Chen CM,Holmes JH.CiteSpace II:visual-ization and knowledge discovery in bibliographic databasesJ.AMIA Annu Symp Proc,2005,2005:724-728.11Zheng JQ,Hou MJ,Liu L,et al.Knowledge structure and emerg-ing trends of telerehabilitation in recent 20 years:a biblio-metric analysis via CiteSpaceJ.Front Public Health,2022,10:904855.12Zhang SW,Huang ML,Zhi JC,et al.Research hotspots andtrends of peripheral nerve injuries based on web of sciencefrom 2017 to 2021:a bibliometric analysisJJ.Front Neurol,2022,13:872261.13Shen ZF,Wu HY,Chen ZS,et al.The global research of arti-ficial intelligence on prostate cancer:a 22-year bibliometricanalysisJ.Front Oncol,2022,12:843735.14Moccia S,Migliorelli L,Carnielli V,et al.Preterm infants poseestimation with spatio-temporal featuresJJ.IEEE Trans BiomedEng,2020,67(8):2370-2380.15Migliorelli L,Frontoni E,Moccia S.An accurate estimation ofpreterm infants limb pose from depth images using deepneural networks with densely connected atrous spatial convo-lutionsJ.Expert Syst Appl,2022,204:117458.16Villarroel M,Chaichulee S,Jorge J,et al.Non-contact physio-logical monitoring of preterm infants in the Neonatal Inten-sive Care UnitJJ.NPJ Digit Med,2019,2:128.17Ervural S,Ceylan M.Convolutional neural networks-basedapproach to detect neonatal respiratory system anomalies withlimited thermal imageJ.Traitement Du Signal,2021,38(2):437-442.18Choi RY,Coyner AS,Kalpathy-Cramer J,et al.Introduction tomachine learning,neural networks,and deep learningJ.TranslVis Sci Technol,2020,9(2):14.19Chung HU,Rwei AY,Hourlier-Fargette A,et al.Skin-inter-faced biosensors for advanced wireless physiological monitor-ing in neonatal and pediatric intensive-care unitsJJ.Nat Med,2020,26(3):418-429.20Kapur G,Chen LG,Xu Y,et al.Noninvasive determination ofblood pressure by heart sound analysis compared with intra-arterial monitoring in critically ill childrena pilot study ofa novel approachJ.Pediatr Crit Care Med,2019,20(9):809-816.21Cabon S,Poree F,Simon A,et al.Audio-and video-based esti-mation of the sleep stages of newborns in neonatal intensivecare unitJJ.Biomed Signal Process Control,2019,52:362-370.22Ranta J,Airaksinen M,Kirjavainen T,et al.An open sourceclassifier for bed mattress signal in infant sleep monitoringJJ.Front Neurosci,2020,14:602852.23Goldstein CA,Berry RB,Kent DT,et al.Artificial intelligencein sleep medicine:an American Academy of Sleep Medicineposition statementJJ.J Clin Sleep Med,2020,16(4):605-607.24Salekin MS,Zamzmi G,Goldgof D,et al.Multimodal spatio-tempo ral deep learning approach for neonatal postoperativepain assessmentJ.Comput Biol Med,2021,129:104150.25Kelati A,Nigussie E,Ben Dhaou I,et al.Real-time classifica-tion of pain level using zygomaticus and corrugator EMGfeaturesJ.Electronics,2022,11(11):1671.26Raimondi F,Migliaro F,Verdoliva L,et al.Visual assessmentversus computer-assisted gray scale analysis in the ultrasoundevaluation of neonatal respiratory statusJJ.PLoS One,2018,13(10):e0202397.27Gordon SM,Srinivasan L,Taylor DM,et al.Derivation of ametabolic signature associated with bacterial meningitis ininfantsJ.Pediatr Res,2020,88(2):184-191.28Garcia-Pola M,Pons-Fuster E,Suarez-Fernandez C,et al.Roleof artificial intelligence in the early di