Štúdia vyvinula a interne validovala modely strojového učenia na predpovedanie hypotermie pri prijímaní (axilárna teplota <36,5 °C) u predčasne narodených detí (<37 týždňov tehotenstva) v terciárnom centre v Číne od januára 2017 do januára 2025. Retrospektívna kohorta bola rozdelená na tréningovú (70 %) a validačnú (30 %) sadu, prediktory vybralo LASSO (11 faktorov: gestačný vek, pôrodná hmotnosť, teplota okolia, čas transportu, vrodený stav, predhriaty inkubátor a iné). Vyvinuli sa šesť modelov: logistická regresia, rozhodovací strom, náhodný les, podporný vektorový stroj, umelá neurónová sieť a naivný Bayes. Vo validačnej kohorte dosiahli AUC od 0,78 do 0,86, najlepšie logistická regresia a umelá neurónová sieť (AUC=0,86). Logistická regresia mala dobrú kalibráciu a interpretovateľnosť, SHAP analýza ukázala ako hlavné rizikové faktory nižší gestačný vek, nižšiu pôrodnú hmotnosť, nižšiu teplotu okolia a dlhší čas transportu. Modely využívajú bežne dostupné perinatálne a environmentálne premenné na účinnú predpoveď hypotermie.