预测母亲出血和输血的机器学习模型:模型开发研究
Homa Khorrami Ahmadzia1,2, Alexa C Dzienny3, Mike Bopf4
1Division of Maternal-Fetal Medicine, Department of Obstetrics and Gynecology, George Washington University, Washington, DC, United States.
JMIR bioinformatics and biotechnology
|June 27, 2024
概括
与传统方法相比,机器学习模型可以更好地预测产后出血 (PPH). 渐变增强在识别有PPH风险的妇女方面表现最好.
科学领域:
- 产科和妇科 产科和妇科
- 医疗信息学 医疗信息学
- 在医疗保健中的数据科学.
背景情况:
- 目前产后出血 (PPH) 风险分层依赖于传统的统计模型或专家意见.
- 机器学习 (ML) 为更复杂和优化的PPH预测提供了潜力.
研究的目的:
- 为了提高PPH预测的准确性.
- 将ML模型的性能与PPH风险分层的传统统计方法进行比较.
主要方法:
- 利用了美国12家医院的安全劳动协会数据集 (2002-2008).
- 开发了使用后勤回归,支向量机,多层感知子,随机森林和梯度增强 (GB) 的预测模型.
- 包括50个产前,产后和医院特征;主要结局是输血或PPH (估计输血≥1000毫升).
主要成果:
- 梯度增强 (GB) ML模型在预测输血-PPH复合物 (ROC-AUC=0.833) 中取得了最佳的整体性能.
- 关键的预测特征包括分娩方式,催产素剂量,毒解剂的使用,麻醉护士的存在和医院类型.
- 使用产前和产后特征的模型显示出最佳的积极预测值.
结论:
- 与物流回归相比,机器学习模型在PPH预测方面显示出更好的区分能力.
- 安全劳动协会数据集可能对风险分析有局限性,因为子组效应会影响准确性和概括性.
