使用机器学习预测产业诱导后的阴道分娩:开发一个多变量预测模型.
Iolanda Ferreira1,2, Joana Simões3, João Correia3
1Obstetrics Department, University and Hospitalar Centre of Coimbra, Coimbra, Portugal.
Acta obstetricia et gynecologica Scandinavica
|November 27, 2024
概括
一个新的模型预测了79.4%的准确性 (AUROC) 产业诱导后的阴道分娩. 这种工具有助于评估剖腹产风险,并为正在进行分娩诱导的孕妇提供个性化咨询.
科学领域:
- 产科和妇科 产科和妇科
- 计算医学是一种计算医学.
- 生殖健康 生殖健康
背景情况:
- 在全球范围内,引产率 (IOL) 正在增加,特别是在高收入国家,其中孕产妇并发病率更高.
- 这一趋势引发了人们对在IOL之后剖腹产 (CS) 率可能上升的担忧.
- 改善关于分娩方式的咨询对于正在进行分娩诱导的孕妇至关重要.
研究的目的:
- 开发一种基于计算学习的预后模型,用于预测产后的阴道分娩.
- 为了创建一个二级模型预测CS由于劳动动力或异常的胎儿心率.
- 评估母亲临床预测因子对这些结果的特征重要性.
主要方法:
- 一个预后模型是使用从2434个单期怀孕经过IOL的数据的计算学习开发的.
- 内部验证使用了10倍交叉验证,外部验证使用了一个独立的数据集.
- 用SHAP值来确定影响母亲临床特征的重要性.
主要成果:
- 阴道分娩预测模型在独立验证中获得了0.794的AUROC,具有高特异性 (0.910) 和灵敏性 (0.766).
- 阴道分娩的关键预测因素包括毕晓普分数,前期分娩,母亲身高,妊娠间隔和前期安乐死分娩.
- 该CS预测模型显示AUROC为0.590,具有高特异性 (0.893).
结论:
- 开发的预后模型显示出强大的预测能力,用于产后的阴道分娩劳动诱导 (AUROC=0.794).
- 识别关键影响特征可以更好地评估CS的风险.
- 这种工具可以增强个性化咨询患者关于他们的分娩模式引发劳动后.


