相关实验视频

Updated: May 13, 2026

An Experimental Paradigm for the Prediction of Post-Operative Pain PPOP

An Experimental Paradigm for the Prediction of Post-Operative Pain PPOP

Published on: January 27, 2010

基于人工智能的预测第二阶段的劳动时间:一个多中心的回顾性队列分析

Xiaoqing Huang^1,2, Xiaodan Di³, Suiwen Lin^1,2

¹Department of Obstetrics and Gynecology, The First Affiliated Hospital of Sun Yat-sen University, Guangzhou, China.

EClinicalMedicine

|February 18, 2025

概括

一个新的机器学习模型预测了分娩的第二阶段的持续时间,帮助个性化管理. 这种工具有助于平衡降低剖腹产率,尽量减少孕产妇和新生儿的风险.

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:

劳动的第二阶段的最佳持续时间是辩论,与剖腹产分娩率和孕产妇/新生儿并发症之间的潜在权衡.
预测第二阶段的分娩持续时间对于有效和个性化的产后管理至关重要.

研究的目的:

开发和验证一个个性化的机器学习 (ML) 模型,用于预测分娩第二阶段的持续时间.
确定影响第二阶段劳动持续时间的关键预测因素.

主要方法:

一个多中心的回顾性研究,涉及到63,401个单独的阴道分娩,以头部呈现.
开发二进制分类ML模型 (1小时和2小时值) 使用递归特征消除 (RFE) 进行特征选择.
梯度增强机 (GBM) 算法被选为表现最佳的模型,使用Shapley添加式扩展 (SHAP) 来解释.

主要成果:

在测试组中,GBM模型表现出强大的预测性能,曲线下的面积 (AUC) 为0.808 (1小时) 和0.824 (2小时).
外部验证显示了强大的性能,AUC为0.862 (1小时) 和0.859 (2小时).
确定了第一阶段持续时间和母亲年龄等因素作为重要的预测因素.

结论:

成功开发了一种可解释和可靠的ML模型来预测第二阶段的劳动持续时间.
这个模型可以支持个性化的劳动力管理策略.
这些发现突显了ML在优化产科护理方面的潜力.

关键词:

劳动第二阶段的持续时间.机器学习是机器学习.产科预测预测产科预测个性化医疗是个性化的医疗.通过阴道进行分娩.

更多相关视频

Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack

Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack

Published on: May 15, 2020

Author Spotlight: Advancing Labor Management Through Electromyometrial Imaging for Understanding Uterine Contractions

Author Spotlight: Advancing Labor Management Through Electromyometrial Imaging for Understanding Uterine Contractions

Published on: May 26, 2023

相关概念视频

Quantifying Work

Quantifying Work

As a system undergoes a change, its internal energy can change, and energy can be transferred from the system to the surroundings, or from the surroundings to the system.