可解释的机器学习方法在使用纵向数据对早产婴儿宫外生长限制分类的比较有效性
Kee Hyun Cho1,2, Eun Sun Kim1,2, Jong Wook Kim3
1Department of Pediatrics, Kangwon National University Hospital, Chuncheon, Republic of Korea.
Frontiers in medicine
|December 14, 2023
概括
机器学习使用纵向数据准确预测早产婴儿生长结果. 这种方法有助于早期检测和干预,改善婴儿的生存和健康.
科学领域:
- 新生儿医学 新生儿医学
- 机器学习 机器学习
- 生物统计学 生物统计学
背景情况:
- 早产是婴儿死亡率和发病率的主要原因之一.
- 过早出生婴儿的完整生存仍然是一个重大的临床挑战.
- 当前的增长限制预测模型往往缺乏纵向数据分析.
研究的目的:
- 开发一种自动化,可解释的机器学习 (ML) 方法,用于预测早产婴儿的短期生长结果.
- 在纵向重量和长度数据上使用监督的ML算法对生长结果进行分类.
- 加强临床决策,用于早产婴儿监测和干预.
主要方法:
- 使用了四个数据集:体重基线,长度基线,体重随访和长度随访从新生儿重症监护室.
- 使用支持矢量机 (SVM) 和物流回归 (LR) 算法进行分类.
- 执行了五倍交叉验证,并使用准确性,精度,回忆和F1得分评估性能,并使用SHAP进行解释性.
主要成果:
- 在四个数据集中的三个数据集 (81%,76%,72%) 中,SVM在区分增长结果方面表现优于LR (81%,76%,72%).
- 在重量基线数据集上,LR在重量基线数据集上实现了更高的ROC得分 (83%).
- 关键预测变量包括妊娠引起的高血压,妊娠年龄,双胞胎出生和出生体重.
结论:
- ML模型在早期检测和早产婴儿生长的自动分类方面表现出高准确度.
- 这种方法为临床决策支持系统提供了一个有效的框架.
- 可以促进及时干预和有效监测,改善早产婴儿的结果.
