提出一种基于机器学习的模型,用于预测令人不安的胎儿心脏
Nasibeh Roozbeh1, Farideh Montazeri1, Mohammadsadegh Vahidi Farashah1
1Mother and Child Welfare Research Center, Hormozgan University of Medical Sciences, Bandar Abbas, Iran.
Scientific reports
|March 6, 2025
概括
机器学习模型可以预测非令人放心的胎儿心脏 (NFH) 条件. 随机森林分类显示了最高的性能,为改善围产期护理提供了潜力.
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:
- 预测非令人放心的胎儿心脏 (NFH) 模式对于减少围产期并发症至关重要.
- 有限的研究存在于确定NFH的关键预测因子.
研究的目的:
- 评估机器学习 (ML) 模型在预测NFH方面的有效性.
- 确定与NFH相关的人口,产科,孕产妇和新生儿因素.
主要方法:
- 来自伊朗孕产妇和新生儿网络 (2020年1月至2022年1月) 的单独分娩 (妊娠28周以上) 的回顾性分析.
- 开发和比较了四种ML模型 (决策树,随机森林,极端梯度提升,k-NN).
- 奇平方测试确定了潜在的NFH预测因子 (p < 0.05).
- 使用AUROC,准确性,精度,回忆和F1评分来评估模型性能.
主要成果:
- NFH的发生率为9.2%.
- NFH与子宫内生长限制,晚期/后期/早产,孕前,胎盘断裂,初级性,诱导分娩和男性胎儿有关;杜拉支持与较低的发病率有关.
- 随机森林 (AUROC: 0.77) 和k-NN (AUROC: 0.77) 显示出最佳性能,随机森林达到0.77准确度和0.72精度.
结论:
- 机器学习模型,特别是随机森林,在预测NFH方面表现有希望.
- 需要进一步的研究来巩固ML在预测NFH和改善围产期结果方面的作用.
