機械学習アルゴリズムに基づく在胎週数標準4種を用いた在胎週数在胎週数早産児の出生時予測

科学分野:

• 産科および婦人科
• 周産期医学
• ヘルスケアにおける機械学習

背景:

• 在胎週数早産児（SGA）の正確な周産期予測は、効果的な介入のために不可欠である。
• 本研究では、中国の妊娠におけるSGA予測のための機械学習（ML）モデルを評価する。
• 中国および国際的な出生体重標準を用いて比較を行う。

研究 の 目的:

• 出生時SGAの機械学習（ML）モデルの予測パフォーマンスを評価すること。
• SGA分類のための異なる出生体重標準（中国、Intergrowth 21st、FMF、GROW）を比較すること。
• 様々なモデルおよび標準におけるSGAの主要な予測因子を特定すること。

主な方法:

• 中国の350,135件の単胎妊娠からの多峰性、縦断的周産期監視データを利用した。
• 機械学習（ML）モデル（CatBoost、XGBoost、LightGBM、ANN、Random Forest、Stacked Ensemble）およびロジスティック回帰を開発した。
• ラッソ回帰を用いて特徴量選択を行い、3つの妊娠間隔にわたるテストデータセットでモデルを検証した。

主要な成果:

• 出生時早産児（SGA）率は出生体重標準によって著しく異なり、FMFが最も高い有病率を示した。
• 妊娠後期（37週未満）モデルは、SGAの予測において最も高い予測力を示した。
• FMF標準を用いたランダムフォレストモデルは、妊娠後期において最も高いROC-AUC（0.79）を達成した。
• ロジスティック回帰は、中国およびGROW標準において同等のパフォーマンスを示した。

結論:

• 国および国際的な標準の間で、SGA分類に有意な差が存在する。
• 機械学習（ML）モデルとロジスティック回帰の両方が、SGAに対して同等の予測パフォーマンスを提供する。
• 本研究結果は、リスク層別化された周産期ケアおよび最適化されたリソース配分を支持する。