关于使用双平台校准和机器学习预测孕前风险的前性研究

科学领域:

• 产科和妇科 产科和妇科
• 生物标志物 生物标志物
• 医疗保健中的机器学习

背景情况:

• 在全球范围内,孕前症对母亲和胎儿构成重大风险.
• 预先预测妊娠前对于及时干预和改善结果至关重要.
• 目前的预测方法需要对不同种群和数据类型进行增强.

研究的目的:

• 开发和验证使用胎盘生长因子 (PlGF) 测量进行强大的孕前风险预测模型.
• 调查不同数据集成和机器学习策略的有效性,以提高预测准确度.
• 评估模型在特定地区 (新疆,中国) 的表现,用于早期风险预测.

主要方法:

• 利用了来自SiMoA和Elecsys平台的胎盘生长因子 (PlGF) 数据.
• 开发了针对各种数据场景量身定制的新校准和缺失数据归算方法.
• 将多个机器学习算法应用于各种数据集 (单平台,双平台,早期/非早期怀孕,真实/增强数据).

主要成果:

• 结合来自两个单平台测量的数据,改善了孕前风险预测.
• 纳入非早期怀孕数据提高了早期预测性能,特别是有限的早期数据.
• 增强数据提高了性能,但引入了不稳定性;优化模型将发病率从7.2%降至2.0%和死亡率降至0%.

结论:

• 拟议的机器学习模型和数据处理方法为预产前风险预测提供了可靠的方法.
• 双平台数据整合和包括非早期怀孕数据是提高预测效果的有效策略.
• 实施的模型在研究区域中显著成功地减少了孕前发病率和死亡率.