机器学习方法用于预测妊娠不同阶段的胎儿宏观症:中国的一项回顾性研究
Qingyuan Liu1,2, Simin Zhu1, Meng Zhao1
1Department of Obstetrics and Gynecology, Beijing Tsinghua Changgung Hospital, School of Clinical Medicine, Tsinghua University, Beijing, China.
BMC pregnancy and childbirth
|February 11, 2025
概括
机器学习模型使用从怀孕早期到分娩期间的母亲数据准确预测胎儿宏观体. 这些模型改善产前评估和临床决策,以改善孕产妇和新生儿的结果.
科学领域:
- 产科和妇科 产科和妇科
- 医疗信息学 医疗信息学
- 围产期健康 围产期健康
背景情况:
- 胎儿宏观症对母亲和新生儿的健康构成重大风险.
- 准确的产前预测macrosomia仍然是一个临床挑战.
- 机器学习 (ML) 提供了提高预测准确性的潜力.
研究的目的:
- 开发和评估用于预测胎儿宏观症的ML方法.
- 评估不同怀孕阶段的预测性表现:怀孕前,第一季度和产前.
- 使用ML识别宏观症的关键预测因子.
主要方法:
- 500名孕妇的回顾性研究.
- 收集了23个候选变量 (母体特征,测量,实验室测试).
- 应用了7个具有特征选择的ML算法,创建了21个模型;使用AUC,准确性,精度,灵敏度,特异性和F1得分进行评估.
主要成果:
- 在的身高,体重,妊娠年龄,体重增加和新生儿性别之间存在显著的差异.
- 最重要的预测因素包括分娩前的体重,妊娠期间的体重增加,Hb比率,头三个月的Hb和母亲的身高.
- 组合模型在分娩前达到最高AUC (0.930);在早期阶段,后勤回归表现良好 (AUC 0.790-0.815).
结论:
- 这项研究开创了ML应用程序,用于跨多个怀孕阶段的宏观体预测.
- 开发的后勤回归和集合模型显示出强大的预测能力.
- 这些发现可以加强怀孕前咨询,产前护理和产后管理决策.
