机器学习方法用于预测宏观
Xiaochen Gu1,2,3, Ping Huang4, Xiaohua Xu4
1Eye Hospital, Wenzhou Medical University, Wenzhou, Zheijang, 325027, China.
Visual computing for industry, biomedicine, and art
|August 27, 2024
概括
机器学习模型可以准确地预测胎儿宏观体,改善分娩决策. 这项研究开发了一种集体模型,其表现优于传统方法,以获得更好的孕产妇和新生儿结果.
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:
- 由于不准确的体重估计,胎儿宏观症对母亲和新生儿的健康构成风险.
- 传统方法在怀孕晚期难以准确测量胎儿.
- 早期检测宏观对于优化分娩策略和减少并发症至关重要.
研究的目的:
- 开发和评估机器学习 (ML) 模型来预测胎儿宏观症.
- 将各种ML算法的有效性与传统方法进行比较.
- 为了确定准确预测第三个三个月中的宏观体的关键特征.
主要方法:
- 在3244名孕妇的数据上训练并验证了6个ML算法 (逻辑回归,k-NN,SVM,RF,XGBoost,LightGBM).
- 利用信息获取方法来识别重要的预测特征.
- 在分娩前1-7天和8-14天使用超声波数据进行实验.
- 开发了一个组合模型,结合了RF,XGBoost和LightGBM.
主要成果:
- 与单个算法和哈德洛克公式相比,整体ML模型在预测宏观性方面表现优异.
- 该模型基于回忆和曲线下面面积的指标实现了高精度.
- 确定了与风险相关的关键特征,提高了预测能力.
结论:
- 机器学习算法,特别是拟议的集合模型,为准确的胎儿宏观体预测提供了一个有希望的方法.
- 这些ML模型可以大大帮助产科医生选择合适的分娩方法.
- 改善胎儿宏观症的预测可以导致更好的孕产妇和新生儿结果.
