使用机器学习技术预测不良妊娠结果:分析卢旺达电子医疗记录数据的证据
Muzungu Hirwa Sylvain1, Emmanuel Christian Nyabyenda2, Melissa Uwase2
1University of Rwanda, Kigali, Rwanda. sylvain.hirwa@yahoo.com.
BMC medical informatics and decision making
|February 12, 2025
概括
机器学习模型准确地预测了卢旺达的不良妊娠结果,准确率达到90.6%. 这提高了对母亲和新生儿健康的风险评估,有助于实现可持续发展目标.
科学领域:
- 孕产妇和新生儿健康研究
- 在医疗保健中应用机器学习.
- 公共卫生信息学 公共卫生信息学
背景情况:
- 卢旺达面临高的孕产妇和新生儿死亡率,阻碍了健康相关可持续发展目标 (SDGs) 的进展.
- 创新方法对于改善卢旺达的孕产妇和新生儿健康结果至关重要.
- 电子医疗记录 (EMR) 为开发预测健康模型提供了有价值的数据来源.
研究的目的:
- 探索机器学习模型的应用,以利用卢旺达的EMR数据预测不良妊娠结果.
- 提高卢旺达孕妇的风险评估和护理服务.
- 为了确定不良妊娠结果的关键预测因素.
主要方法:
- 使用来自卢旺达25家医院的EMR数据 (2020-2023) 的回顾性队列研究.
- 机器学习模型 (逻辑回归,决策树,SVM,梯度提升,随机森林,MLP) 被训练和评估.
- 数据预处理包括清理,归算和处理数据不平衡,使用合成少数人过量采样技术.
主要成果:
- 对32,783名妇女的分析显示,16.5%的孕妇经历了不良妊娠结果.
- 随机森林和梯度提升模型显示高准确度;随机森林实现了90.6%的准确度和0.85的ROC-AUC.
- 确定的主要预测因素包括妊娠年龄,怀孕人数,产前护理访问,产妇年龄,生命体征和分娩方法.
结论:
- 建议提高EMR数据质量,以提高预测模型的准确性.
- 建议将机器学习纳入常规临床实践,以更好地分层风险.
- 建议对高风险怀孕进行进一步的研究和基于人工智能的干预.
