使用机器学习算法预测单子妊娠中早产风险
Qiu-Yan Yu1,2, Ying Lin3, Yu-Run Zhou3
1National Perinatal Epidemiology Unit, Nuffield Department of Population Health, University of Oxford, Oxford, United Kingdom.
Frontiers in big data
|March 18, 2024
概括
机器学习模型可以使用妊娠监测数据预测早产风险. 关键预测因素包括产前检查和母亲健康指标,为早期干预提供了潜力.
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:
- 过早分娩 (<37周妊娠期) 是新生儿发病率和死亡率的主要原因.
- 准确预测早产仍然是一个临床挑战,需要先进的分析方法.
研究的目的:
- 开发,培训和验证机器学习模型,用于预测单子妊娠中早产.
- 用各种机器学习算法识别早产的关键预测特征.
主要方法:
- 在中国 (2014-2016) 的前性队列研究中利用了22603例单独怀孕的数据.
- 应用算法包括Catboost,随机森林,DNN,SVM和物流回归用于特征选择和预测.
- 采用5倍交叉验证用于内部模型验证,并使用接收器操作曲线下的面积 (AUC) 评估性能.
主要成果:
- 在怀孕26周后应用的CatBoost模型显示出最佳性能,AUC为0.70.
- 发现的关键预测因素包括产前检查次数,阿斯巴酸氨基转移酶水平,交合体底部高度,母体体重,腹周和血压.
- 最好的模型实现了0.81的精度,0.47的灵敏度和0.83.8的特异性.
结论:
- 关于怀孕监测数据的机器学习应用对早产预测有希望.
- 确定了几种可修改的产前预测因素,表明了早期干预策略的潜在目标.
- 这项研究强调了先进的计算方法在改善产科结果方面的实用性.


