在肯尼亚人口中使用机器学习算法预测产后出血 (PPH)
Santosh Yogendra Shah1, Sumant Saxena1, Satya Pavitra Rani1
1CognitiveCare Inc., Milpitas, CA, United States.
Frontiers in global women's health
|August 14, 2023
概括
机器学习模型可以使用患者数据预测产后出血 (PPH) 风险. 天真贝叶斯模型表现最好,确定了肯尼亚PPH的关键风险因素.
科学领域:
- 产科和妇科 产科和妇科
- 医疗信息学 医疗信息学
- 公共卫生 公共卫生
背景情况:
- 产后出血 (PPH) 是全球主要的孕产妇死亡原因,特别是在低收入和中等收入国家.
- 有效的预测模型对于早期识别有风险的妇女和及时干预以减少孕产妇发病率和死亡率至关重要.
研究的目的:
- 开发和评估用于预测产后出血 (PPH) 的机器学习模型.
- 利用来自肯尼亚产前和产后护理研究集体队伍的产前,产后和产后访问数据进行PPH预测.
主要方法:
- 四个机器学习模型 (逻辑回归,天真贝叶斯,决策树,随机森林) 被训练并验证.
- 模型使用特征选择 (额外树分类器) 进行了微调,并使用准确度,灵敏度和AUC-ROC评估性能.
主要成果:
- 纯粹的贝叶斯模型以0.95准确度,0.97特异性和0.76AUC实现了最高的性能.
- 七个因素包括贫血,有限的产前护理,血红蛋白水平,白和产后血压/呼吸率与PPH预测有关.
结论:
- 机器学习模型显示了在肯尼亚人口中预测PPH的巨大潜力.
- 建议使用更大的数据集进行进一步的研究,以提高预测准确度,并为个性化产科护理,资源配置和减少孕产妇死亡率提供信息.


