システム炎症指数を用いた解釈可能な機械学習モデルの比較,妊娠糖尿病における早産を予測する

科学分野:

• 産婦人科と産婦人科を担当しています.
• 医療情報工学 医療情報工学
• 炎症の研究 炎症の研究

背景:

• 妊娠糖尿病 (GDM) は,早産のリスクを大幅に増加させ,予測モデルの改善を必要としています.
• GDMに関連した早産の現在の予測方法は,主要な炎症バイオマーカーを除外したため,精度が限られています.
• 機械学習 (ML) は高度なパターン認識を提供しているが,GDM妊娠における早産の予測には十分に活用されていない.

研究 の 目的:

• GDM患者の早産を予測するための解釈可能なMLモデルを開発する.
• 系統的炎症指数を伝統的な臨床マーカーと統合して,予測の精度を高める.
• タイムリーな臨床介入のためのGDM診断における早期のリスク分層化を可能にする.

主な方法:

• 訓練 (n=272) と外部検証 (n=117) のコホートに分割された389人のGDM患者の遡及的分析.
• システム炎症指数,臨床指標,および組み合わせられた特徴を用いたMLモデルの開発と検証.
• 特徴の解釈と強度に対する感受性分析のためのシャップリー添加式説明 (SHAP) の適用.

主要な成果:

• この研究では,全身性炎症マーカーと臨床パラメータを組み合わせた7つの有意な予測要因が特定されました.
• エクストリーム・グラデーション・ブースト (XGBoost) モデルは,他のアルゴリズムと比較して優れた予測性能 (AUC-ROC: 0.932,AUC-PRC: 0.754) を示した.
• SHAPの分析では,2つの臨床的マーカーと3つの炎症マーカーが,早産の最も有力な予測要因であると強調した.

結論:

• 開発されたXGBoostモデルは,臨床および炎症マーカーを統合することによって,GDMにおける早産を効果的に予測します.
• このアプローチは,正確なリスク評価を可能にし,臨床管理を導き,高リスクのGDM妊娠の結果を改善します.