基于临床和实验室指标的机器学习算法对妊娠肝脏内胆固醇的预测效果
Jianhu He1,2, Xiaojun Zhu3, Xuan Yang1
1Information Center, Women's Hospital, Zhejiang University School of Medicine, Hangzhou, China.
概括
机器学习模型可以使用临床数据预测怀孕的肝脏内胆固醇形成 (ICP). 循环神经网络 (RNN) 和深度神经网络 (DNN) 在早期ICP检测和改善结果方面表现出高准确性.
科学领域:
- 医疗信息学 医疗信息学
- 产科和妇科 产科和妇科
- 医疗保健中的机器学习
背景情况:
- 怀孕的肝脏内胆固醇症 (ICP) 是一种怀孕特异性的肝脏疾病,需要及时诊断以获得更好的周围产生的结果.
- 对ICP的预测模型可以帮助早期检测和管理.
研究的目的:
- 开发和评估用于预测ICP的机器学习模型,使用临床和实验室指标.
- 为了比较不同模型在识别ICP时的有效性.
主要方法:
- 追溯分析了1092名孕妇的数据 (537名ICP,555名对照).
- 使用了两种方案:方案1包含第一季度数据,方案2包含至少两个季度的数据.
- 开发的模型包括支持矢量机器 (SVM),深度神经网络 (DNN),Xgboost (方案 1),和反复神经网络 (RNN),长短期记忆网络 (LSTM),门式反复单元 (GRU) (方案 2).
主要成果:
- 方案1:DNN实现了79.40%的准确性,SVM达到67.90%,Xgboost达到73.40%.
- 方案2:RNN实现了90.50%的准确性,LSTM达到86.60%,GRU达到89.40%.
- RNN和DNN表现出卓越的预测性能.
结论:
- 深度神经网络 (DNN) 和循环神经网络 (RNN) 非常适合预测ICP.
- 这些模型为医务人员提供了一个方便且可用的工具,以优化ICP管理.
- 改进的预测可以导致更好的治疗策略和改善ICP的临床预后.
