妊娠10週未満の異所性妊娠のリスクを機械学習アルゴリズムに基づいて個別予測するツール

科学分野:

• 産科および婦人科
• 医療情報学
• ヘルスケアにおける機械学習

背景:

• 異所性妊娠（EP）の診断遅延は、早期妊娠における母体死亡の主な原因です。
• 場所不明妊娠（PUL）患者は、EPおよび関連合併症のリスクが高いです。
• PUL患者におけるEPの正確な早期リスク評価は、タイムリーな臨床介入にとって重要です。

研究 の 目的:

• 場所不明妊娠（PUL）患者における異所性妊娠（EP）リスクを特定するための早期予測モデルを構築すること。
• 早期妊娠管理における臨床的意思決定と介入のための貴重なツールを提供すること。

主な方法:

• 妊娠10週以内のPUL患者1896人を対象とした後向き分析。
• ロジスティック回帰、Extreme Gradient Boosting、Random Forest、Support Vector Machine、CatBoostアルゴリズムを使用した早期リスク予測モデルの開発。
• LASSOを使用した特徴選択と、AUROC、AUPRC、F1スコアによるモデルパフォーマンス評価。SHapley Additive exPlanations（SHAP）を使用して特徴量の重要度を解釈しました。

主要な成果:

• 1896人のPUL患者のうち、4.08%がEPと診断されました。
• EPの主要な予測因子には、膣出血、プロゲステロン、均一な卵巣腫瘤、妊娠回数、hCGレベル、帝王切開歴、腹部圧痛、骨盤手術歴が含まれていました。
• CatBoostモデルは最高のパフォーマンスを達成しました（AUROC：0.930、AUPRC：0.685）。膣出血、プロゲステロン、均一な卵巣腫瘤が最も重要な予測因子でした。

結論:

• CatBoostアルゴリズムは、初期訪問からの臨床的特徴を統合して、PUL患者のEPリスクを効果的に予測します。
• 開発されたモデルは、早期妊娠におけるEPの早期検出率を向上させます。
• EPリスク評価のためのユーザーフレンドリーなWebベースプラットフォームが作成され、将来の臨床応用が期待されます。