可解释的机器学习预测在低风险的产妇劳动人口中产后出血与严重的孕产妇发病率

科学领域:

• 产科和妇科 产科和妇科
• 医疗保健中的机器学习
• 孕产妇发病率研究研究

背景情况:

• 早期识别患有产后出血 (PPH) 风险的患有严重孕产妇发病率 (SMM) 的患者对于及时干预至关重要.
• 在没有明显风险因素的患者中预测带有SMM的PPH仍然是一个挑战.
• 目前的风险评估工具依赖于风险因素列表,而不是预测模型.

研究的目的:

• 开发和验证一个机器学习模型,用SMM预测PPH.
• 在单独的队列中对开发的模型进行外部验证.
• 将机器学习模型的预测性能与标准出血风险评估工具进行比较.

主要方法:

• 以58,023例出生为模型培训和27,743例出生为外部验证的临床数据进行了回顾性横截面研究.
• 一个通用添加模型 (GAM) 已开发,以预测PPH与SMM.
• 模型的性能与加利福尼亚妇产质量护理协作 (CMQCC) 产科出血风险因素评估屏幕进行了比较.

主要成果:

• 在外部验证中,GAM在接收器操作特征曲线 (AUROC) 下的面积达到0.67,显著超过CMQCC屏幕的AUROC0.52.
• 在CMQCC屏幕的阳性率下,GAM表现出较高的灵敏度 (36.9%) 与CMQCC屏幕 (20.30%) 相比.
• 在体外受精和无胎儿分娩被确定为具有SMM的PPH的显著风险因素.

结论:

• 与传统的基于规则的方法相比,开发的机器学习模型显著提高了SMM的PPH预测能力.
• 该模型在相同的阳性率下发现的PPH病例几乎是CMQCC屏幕的两倍.
• 采用像GAM这样的预测模型为PPH预测提供了比标准查方法更好的策略.