利用机器学习来预测和评估马里兰州严重孕产妇死亡率的差异
Qingfeng Li1, Y Natalia Alfonso1, Carrie Wolfson1
1Department of International Health, Johns Hopkins Bloomberg School of Public Health, Baltimore, MD 21205, USA.
Healthcare (Basel, Switzerland)
|February 13, 2025
概括
机器学习模型可以使用医院数据预测严重孕产妇发病率 (SMM),显示护理差异. 需要进一步的研究来改善SMM的识别和解决健康不平等问题.
科学领域:
- 孕产妇健康 孕产妇健康
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 在美国,严重孕产妇死亡率 (SMM) 正在上升.
- 对SMM的预测建模对于及时干预至关重要.
- 了解SMM差异对于公平的护理至关重要.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于在分娩住院期间预测SMM.
- 检查与中小企业相关的社会人口差异.
- 评估LASSO和Logit模型的预测性能.
主要方法:
- 利用连接的州住院患者数据库 (SID) 和马里兰州的AHA年度调查数据 (2016-2019).
- 根据社会人口统计学因素,估计SMM的相对风险.
- 配备了LASSO和Logit模型与选定的功能,比较性能指标,如AUC.
主要成果:
- SMM发生在每10,000次分娩中的76次.
- 拉索模型 (18个特征) 的AUC为0.80,超过了罗吉特模型 (AUC 0.71).
- 在低收入地区的患者,有公共保险的患者和非英语使用者的患者中观察到显著的SMM差异.
结论:
- 机器学习模型显示了使用行政数据进行SMM预测的可行性.
- 所有模型都在识别所有SMM病例方面表现出局限性 (回忆能力低).
- 解决SMM差异需要针对获得护理,文化能力和健康的社会决定因素的干预措施.


