机器学习模型的开发和验证,用于产后压力尿失禁的风险预测:一项前性观察研究
Liyun Wang1, Nana Wang2, Minghui Zhang3
1School of Nursing, Binzhou Medical University, Bincheng District, No. 522, Huanghe Third Road, Binzhou, Shandong, China.
International urogynecology journal
|January 30, 2025
概括
一个新的随机森林模型使用十个关键因素准确预测产后压力尿失禁 (PPSUI) 风险. 这种机器学习方法可以提高PPSUI的早期查和临床管理.
科学领域:
- 产科和妇科 产科和妇科
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 产后压力尿失禁 (PPSUI) 显著影响女性的生活质量.
- 准确的早期查和风险预测对于有效管理PPSUI至关重要.
- 现有的PPSUI风险评估模型可能会从增强的预测能力中受益.
研究的目的:
- 开发和确定最佳的机器学习模型来预测产后压力尿失禁 (PPSUI) 风险.
- 建立一个可靠的模型,用于PPSUI的早期临床查.
- 提高PPSUI临床管理策略的准确性和效率.
主要方法:
- 一项涉及1208名产后妇女的前性研究.
- 开发五种机器学习模型:逻辑回归,决策树,随机森林,SVM和XGBoost.
- 模型性能评估使用AUC,准确性,精度,回忆,特异性和F1得分,在测试组上进行验证.
主要成果:
- 随机森林模型表现出卓越的性能,测试AUC为0.995.
- 确定的关键预测因素包括出生体重,妊娠体重增加,BMI,年龄,平价,子宫高度和分娩止痛.
- 该模型实现了高精度 (0.956),精度 (0.957),回忆 (0.944) 和特异性 (0.966).
结论:
- 随机森林模型显示了PPSUI风险预测和早期查的显著临床实用性.
- 这个模型可以帮助优化产后妇女的临床管理策略.
- 建议使用更大的多中心数据集进行进一步验证,以提高临床适用性.
