使用机器学习方法预测怀孕第一季度查中的染色体异常:研究方案

科学领域:

• 计算生物学和生物信息学
• 医疗人工智能的人工智能
• 生殖健康技术生殖健康技术

背景情况:

• 第一季度对染色体异常的查通常涉及侵入性手术,如羊切片或胆囊取样本.
• 机器学习 (ML) 在医疗保健中越来越准确和有用,特别是在护理和助产中,用于决策支持和质量改进.
• 早期预测染色体异常可以指导临床管理,减少对侵入性检测的需要.

研究的目的:

• 开发和评估一种最佳的机器学习模型,特别是神经网络,用于预测高风险怀孕中的染色体异常.
• 通过使用现实世界的临床数据,评估开发的神经网络模型的预测效果.
• 通过先进的计算方法增强早期检测胎儿染色体疾病.

主要方法:

• 一项横截面研究涉及350名高风险孕妇在他们的第一个三个月 (11-14周) 在马什哈德,伊朗.
• 数据收集包括母亲的人口统计,病史,超声波生物识别 (CRL,NT),生物化学标记 (PAPP-A,B-HCG) 和怀孕细节 (例如,试管婴儿,糖尿病).
• 经过数据预处理和特征提取后,通过K折交叉验证训练和评估一个神经网络模型,将预测与羊水切割结果进行比较.

主要成果:

• 该研究成功实施和评估了一个神经网络模型,用于预测染色体异常.
• 从收集的母亲和胎儿数据中,特征提取确定了染色体疾病的关键预测因子.
• 模型的预测性能通过严格的交叉验证技术进行评估.

结论:

• 人们对在护理和助产中应用人工智能 (AI) 和ML技术的兴趣显著且越来越大.
• 护士和助产士需要对人工智能应用程序有更深入的了解,以便有效地将这些工具集成到临床实践中.
• 开发ML模型,特别是神经网络,对于改善怀孕期间染色体异常的预测和管理至关重要.