一个机器学习模型来预测无产期妇女的自发性阴道分娩失败:一项观察性研究
Jing Xu1, Zifeng Liu2, Yaxin Lu2
1Department of Ultrasound, the Third Affiliated Hospital of Sun Yat-Sen University, Guangzhou, Guangdong, People's Republic of China.
概括
机器学习准确地预测了无孕妇女的自发性阴道分娩 (SVD) 失败. 高斯的NB模型确定了关键指标,为预测SVD产前结果提供了潜在的临床工具.
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:
- 绝育妇女的自发性阴道分娩 (SVD) 失败是一个重大的临床问题.
- 需要预测模型来识别高风险SVD失败的妇女在分娩前.
- 机器学习为开发这种预测工具提供了一个有前途的方法.
研究的目的:
- 开发和验证一个机器学习模型,用于预测SVD失败期无产妇妇女.
- 确定与SVD失败相关的关键临床和超声波指标.
主要方法:
- 在分娩前对无产妇妇女 (妊娠≥37周) 的回顾性观察研究.
- 收集的数据包括跨膜超声波 (进展角度,头 - 膜距离,阴下弓角度,升子间隙尺寸) 和跨阴道超声波 (子宫长度).
- 拉索回归选择了预测指标;使用AUC训练和评估了七个机器学习算法.
主要成果:
- 确定了SVD失败的四个关键指标:进展角度,宫长度,阴下弓角度和估计的胎儿体重.
- 高斯的天真贝叶斯 (NB) 算法在训练中实现了最高的AUC (0.82).
- 经过验证的高斯NB模型显示AUC为0.79,准确度为80.9%,灵敏度为72.7%,特异性为75.0%.
结论:
- 高斯的NB模型显示了强大的SVD失败的预测性能在无期妇女.
- 这种模型显示了作为一个有价值的临床参考工具在分娩前进行风险评估的潜力.
- 进一步的临床实施可能有助于优化无孕妇女的分娩管理.
