使用机器学习方法提高管外妊娠的决策能力,以期望管理:一篇临床文章

科学领域:

• 生殖医学 生殖医学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 宫外妊娠 (EP) 管理需要谨慎的决策,特别是在稳定的患者中预期的管理.
• 预测预期管理的成功对于优化患者结果和资源配置至关重要.

研究的目的:

• 开发和验证一种机器学习模型,用于预测异胎妊娠期望管理的成功.
• 确定影响EP预期管理结果的关键临床和实验室因素.

主要方法:

• 对221例稳定异胎妊娠病例 (2014-2022年) 的回顾性分析,预期管理 (2014-2022年).
• 使用决策树分类器,一种机器学习模型,在患者数据上进行训练和测试.
• 使用准确度,精度,回忆和F1分数来评估模型性能.

主要成果:

• 预期管理有79.6%的成功率;20.4%需要干预.
• 决策树分类器实现了89%的准确性,92%的精度,95%的回忆率和94%的F1分数.
• 成功的关键预测因素包括疼痛,βhCG下降,妊娠年龄和初始βhCG水平.

结论:

• 一个基于决策树的分类器模型显示高精度 (92%) 和回忆 (95%) 在预测异胎妊娠的预期管理成功.
• 这种模型可以成为临床医生管理血液动力学稳定的EP患者的宝贵工具,特别是在后续的前24小时内.