使用机器学习方法预测子宫前:从例行收集的数据中获取重要信息
Sofonyas Abebaw Tiruneh1, Daniel Lorber Rolnik2, Helena J Teede1
1Monash Centre for Health Research and Implementation, Faculty of Medicine, Nursing and Health Sciences, Monash University, Melbourne, Australia.
International journal of medical informatics
|October 11, 2024
概括
机器学习模型可以使用常规健康数据预测子宫前 (PE),识别高风险怀孕. 需要进一步验证以确认这种严重的孕产妇疾病的概括性和完善预测准确性.
科学领域:
- 产科和妇科 产科和妇科
- 医疗信息学 医疗信息学
- 公共卫生 公共卫生
背景情况:
- 孕前 (PE) 是全球主要的孕产妇和产周死亡原因之一.
- 基于常规数据的PE预测具有广泛的适用性,特别是在资源较少的环境中.
- 对于高风险怀孕的早期干预可以减轻PE并发症.
研究的目的:
- 使用例行收集的母亲健康数据来预测PE.
- 确定用于PE预测的最佳机器学习 (ML) 模型.
- 为了将ML模型性能与后勤回归进行比较.
主要方法:
- 利用了48250个单独怀孕 (2016-2021) 的数据.
- 雇员监督的ML模型以母亲的特征作为预测因素.
- 使用AUC,校准图表和沙普利值分析来评估性能.
主要成果:
- 随机森林实现了0.84的AUC,但有校准限制.
- 极端梯度增强显示,在良好的校准下,AUC为0.77.
- 后勤回归在完美的校准下产生了0.75的AUC.
- 关键预测因素包括无双性,BMI,先前的PE,产妇年龄,以及高血压/糖尿病史.
结论:
- 两种ML模型在从常规数据中预测PE风险方面表现良好.
- 外部验证对于确认概括性和完善预测至关重要.
- 为了更广泛的适用性,进一步的研究应该利用标准化的预后因素.
关键词:
计算机辅助医疗决策支持渐变增强 渐变增强 渐变增强学习健康系统 学习健康系统机器学习就是机器学习.孕产妇产前症 孕产妇产前症预测 预测 预测预测预测预测预测的时间.随机的森林随机的森林常规健康数据 常规健康数据在XGBoost中使用.更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.7K
