一种全面且无偏见的机器学习方法,用于预测在一项无双双研究队列中具有严重特征的妊娠前风险
Yun C Lin1, Daniel Mallia2, Andrea O Clark-Sevilla3
1Department of Computer Science, Columbia University, 1214 Amsterdam Ave, 721 Schapiro CEPSR, New York, NY, 10027, USA. ycl2112@columbia.edu.
研究人员开发了无偏见的机器学习模型,以预测具有严重特征的妊娠前. 这些模型使用生物标志物和超声波测量,提高所有孕妇的预测准确度.
科学领域:
- 孕产妇与胎儿的医学
- 机器学习在医疗保健中的应用
- 发现生物标志物的发现.
背景情况:
- 孕前是导致孕产妇发病的主要原因,在预测和管理方面存在各种临床挑战.
- 现有的预测模型可能会表现出种族偏见,影响所有孕妇的公平护理.
- 准确预测有严重特征的孕前对于及时干预和改善母亲的结果至关重要.
研究的目的:
- 开发无种族偏见的机器学习模型,用于预测具有严重特征或阴的孕前.
- 确定关键的预测特征,包括生物标志物和超声波测量,用于早期检测.
- 为了提高预孕前预测模型的准确性和公平性,在一个无孕孕妇孕妇队列中.
主要方法:
- 将机器学习模型应用于来自无卵性妊娠结果研究的前队列:监测即将成为母亲 (nuMoM2b).
- 使用了从1,857个人的第一和第二季度之间收集的母体血清样本.
- 开发和完善模型以纠正种族偏见,专注于预测平等比率.
主要成果:
- 在三次访问中,接收器运行特征曲线 (AUROC) 下的实现面积值为0.72,0.75和0.77.
- 在初始模型中成功减少了种族偏见,将非西班牙裔黑人参与者的预测平等比率从1.31降至1.14.
- 确定了身体质量指数 (BMI),血压测量和胎盘分析 (PLGF,Endoglin) 作为强有力的预测因素.
结论:
- 机器学习模型可以有效地预测患有严重特征的妊娠前,显示出更高的准确性和更少的偏差.
- 生物标志物 (BMI,血压) 和胎盘分析剂对于早期查妊娠前至关重要.
- 算法偏差校正对于公平可靠地预测不良妊娠结果至关重要.
更多相关视频
05:31Author Spotlight: Modeling an Aspect of Preeclampsia in Female Mice Using Hypoxic Human Placenta-Derived Small Extracellular Vesicles
Published on: January 26, 2024
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
相关概念视频
Types of Biopharmaceutical Studies: Controlled and Non-Controlled Approaches
Non-controlled studies, commonly employed for initial exploration, lack a control group, rendering them susceptible to biases and external influences. In contrast,...
Pre-Procedural Guidelines for Assessing Blood Pressure
Mechanistic Models: Compartment Models in Individual and Population Analysis
