孕前的早期查模型:仅使用零成本的孕产妇预测剂

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:

• 孕前症对母亲和胎儿的健康构成重大风险.
• 现有的查方法往往缺乏足够的敏感性或成本效益.
• 需要可靠,低成本的孕前早期查模型.

研究的目的:

• 开发和验证一种可靠的,低成本的孕前早期查模型.
• 为了确定新的临床预测因子,用于预孕前风险评估.
• 将开发模型的性能与现有方法进行比较.

主要方法:

• 为了模型开发,使用了25709个怀孕的回顾性队列.
• 应用了一种数据增强技术 (α-逆加权-GMM + RUS).
• 训练了10个机器学习模型,AdaBoost根据10%的错误阳性率的灵敏度进行选择.
• 最佳模型利用了16个临床预测因素,包括以前未报告的因素.

主要成果:

• 该AdaBoost模型实现了ROC曲线下的面积为0.8008,灵敏度为0.5190.
• 该模型显示灵敏度比基于检查清单的方法提高了50%以上.
• 与仅使用母体预测因素的多变量模型相比,该模型的性能至少增加了28%.
• 在独立队列中的验证证实了该模型的有效性.

结论:

• 使用机器学习和零成本临床预测器开发了一种有效的,低成本的预先查模型.
• 与现有方法相比,该模型表现出优越的性能,在灵敏度方面提供了显著的改进.
• 这种方法在与其他高性能方法相结合时,有可能提高查参与率.