建立和验证基于机器学习的预测模型,用于通过剖腹产终止怀孕

科学领域:

• 产科和妇科 产科和妇科
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 剖腹产率是全球孕产妇医疗保健的一个重大问题.
• 确定剖腹产预测因素对于优化分娩结果和资源配置至关重要.
• 开发准确的预测模型可以帮助临床医生管理劳动和分娩.

研究的目的:

• 调查与孕妇剖腹产相关的风险因素.
• 使用机器学习技术建立和验证一个强大的剖腹产预测模型.
• 评估不同机器学习模型在预测剖腹产时的性能.

主要方法:

• 对2552名单身孕妇的临床数据进行了回顾性审查.
• 使用单变量分析,拉索回归和Boruta对独立风险因素的选.
• 使用K折交叉验证和超参数优化开发和比较四个模型 (逻辑回归,K近邻,CART,随机森林).

主要成果:

• 确定的危险因素包括母亲的年龄,身高,体重,体重增加,平价,辅助生殖,血糖异常,妊娠高血压,子宫痕,PROM,胎盘前,胎儿位,血小板减少,浮动胎儿头部和分娩止痛.
• 与其他模型相比,随机森林 (RF) 模型表现出优越的性能.
• 在预测剖腹产时,射频模型实现了高精度 (0.896),MCC (0.753),AUC-ROC (0.979) 和AUC-PRC (0.958).

结论:

• 剖腹产的随机森林 (RF) 预测模型显示了高度的区分,准确性和一致性.
• 开发的RF模型具有出色的概括能力,可以预测剖腹产.
• 这个模型可以作为一个有价值的工具,用于风险评估和临床决策在产科实践.