可解释的机器学习来预测周产期不良结果:检查怀孕期间风险因素的边际预测值
Sun Ju Lee1, Gian-Gabriel P Garcia1, Kaitlyn K Stanhope2
1H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology, Atlanta, GA (Ms Lee and Dr Garcia).
这项研究开发了可解释的机器学习模型,以预测无双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双双. 抑制素A是整个怀孕期间的关键预测因子,有助于早期风险识别,以便更好地进行临床干预.
科学领域:
- 产科和妇科 产科和妇科
- 医疗保健中的机器学习
- 围产儿医学 围产儿医学
背景情况:
- 及时识别高风险的无卵性个体对于预防围产期并发症至关重要.
- 现有的机器学习模型往往缺乏可解释性,限制了临床实用性.
- 周产期不良后果包括死产,新生儿死亡,低Apgar分数和早产.
研究的目的:
- 开发可解释的机器学习模型,用于预测各种妊娠阶段的不良周产期结果.
- 评估这些模型中的单个因素的预测值.
- 通过可理解的风险预测,增强临床决策.
主要方法:
- 无卵性妊娠结果研究的二次分析:监测即将成为母亲的队列 (10,038名参与者).
- 开发了L1-规范化的后勤回归模型,使用了三次怀孕访问的数据.
- 使用了SHapley添加式扩展 (SHAP) 进行预测重要性和DeLong测试以获得边际预测值.
主要成果:
- 可解释模型实现了接收机运行特征曲线下的面积为0.617 (访问1),0.652 (访问2) 和0.673 (访问3).
- 在所有访问中 (P<.001) Inhibin A 是一个持续有价值的预测因子.
- 其他显著的预测因素包括内素 (访问1),自由β人类胆管性淋巴激素和子宫动脉脉动指数 (访问2),宫长度 (访问3).
结论:
- 可解释机器学习提供了一条了解不良围产期结果预测的途径.
- 在整个怀孕期间,因希A具有显著的预测价值.
- 进一步了解不断变化的风险因素对于开发高风险怀孕的有效干预措施至关重要.
更多相关视频
06:39Using a Murine Model of Psychosocial Stress in Pregnancy as a Translationally Relevant Paradigm for Psychiatric Disorders in Mothers and Infants
Published on: June 13, 2021
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
相关概念视频
Regression Toward the Mean
Types of Biopharmaceutical Studies: Controlled and Non-Controlled Approaches
Non-controlled studies, commonly employed for initial exploration, lack a control group, rendering them susceptible to biases and external influences. In contrast,...
Sensitivity, Specificity, and Predicted Value
Sensitivity is the...
Teratogenicity
