在剖腹产中产后出血的定量预测在机器学习上的剖腹产部

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:

• 剖腹产后的产后出血 (PPH) 可能导致严重的孕产妇并发症,如贫血和低血压休克.
• 目前的预测方法侧重于PPH发生,而不是定量量,限制了预防性临床准备.
• 准确预测PPH体积对于产科医生和麻醉科医生来说至关重要,以有效地管理风险.

研究的目的:

• 开发和评估机器学习 (ML) 模型,以定量预测剖腹产后出血 (PPH) 的数量.
• 为了比较六种不同的ML模型在预测PPH体积方面的性能.
• 确定有助于PPH预测准确性的关键临床指标.

主要方法:

• 收集了来自剖腹产的6144名PPH患者的数据集,包括临床,麻醉和实验室数据.
• 六个ML模型 (逻辑回归,线性回归,梯度提升,XGBoost,多层感知子,随机森林) 被训练并验证.
• 模型性能使用根平均二次误差 (RMSE) 和平均绝对误差 (MAE) 进行评估,并使用变量重要性和部分依赖图 (PDP) 来进行分析.

主要成果:

• 随机森林模型在预测PPH量方面表现出最高的准确性,平均绝对误差为21.7和根平均平方误差为33.75.
• 对于PPH量的关键预测因素包括,血红蛋白,白细胞,血小板,和水平.
• 该研究成功地确定了影响PPH体积的显著临床指标.

结论:

• 机器学习,特别是随机森林模型,有效地预测了剖腹产期间PPH的定量量.
• 基于ML的PPH量预测为临床医生提供了必要的早期预警系统,提高了患者的安全性并减少了并发症.
• 整合ML与换重要性和PDP提供了对PPH的透明,个性化的风险评估.