对宫状况的超声波评估与毕晓普得分相比 - 使用基于机器学习的模型预测分娩诱导的成功
1Medical Faculty of Novi Sad, The University of Novi Sad, Novi Sad, Serbia. anitaanaaleksic@gmail.com.
European review for medical and pharmacological sciences
|July 17, 2023
概括
一个新的机器学习模型通过整合临床因素,超声波数据和Bishop得分来准确预测分娩诱导的成功. 与传统方法相比,这种方法提供了更好的预测准确性.
科学领域:
- 产科和妇科 产科和妇科
- 医疗成像医学成像
- 医疗保健中的机器学习
背景情况:
- 引产是一种常见的产科手术.
- 预测分娩诱导的成功对于优化孕产妇和胎儿的结果至关重要.
- 预测诱导成功的现有方法有局限性.
研究的目的:
- 开发一种基于机器学习的模型,用于预测产业诱导 (IOL) 的成功.
- 评估影响IOL成功的临床和超声波参数.
- 开发和评估一种新的超声波评分系统 (USS).
主要方法:
- 对192名经期妇女进行IOL的前性观察研究.
- 收集诱导前的临床和超声波参数.
- 开发了一种新的超声波评分系统 (USS) 并与毕晓普评分进行比较.
- 创建一个全面的机器学习模型,包括临床,USS和Bishop分数数据.
主要成果:
- 临床参数如平价,BMI和Bishop得分显示与IOL成功有显著的相关性.
- 大多数超声波参数都是统计学上显著的预测指标,除了后宫角.
- 新的USS表现出高于主教得分 (0.44) 的特异性 (0.75).
- 开发的机器学习模型实现了83%的预测准确度.
结论:
- 集成的机器学习模型,结合临床,超声波和主教得分数据,改善了预测分娩诱导成功的情况.
- 与依赖单个参数的模型相比,这种模型提供了更准确的预测工具.
- 新型超声波评分系统在提高预测特异性方面显示出有前途.
