相关实验视频
Updated: Jul 9, 2026

19:32
Preterm EEG: A Multimodal Neurophysiological Protocol
Published on: February 18, 2012
28.4K
在回顾性队列研究中,机器学习使用常规生物标志物预测35岁以下妇女的早产
Xiaojing Teng1, Mengting Liu2, Zhiyi Wang3,4
1Department of Laboratory Medicine, Affiliated Hangzhou First People's Hospital, School of Medicine, Westlake University, Hangzhou, Zhejiang, China.
Scientific reports
|March 26, 2025
概括
这项研究开发了一种精确的机器学习模型,用于预测35岁以下女性早产风险. XGBoost模型确定了早期干预的关键生物标志物,改善了母亲和婴儿的结果.
科学领域:
- 孕产妇与胎儿的医学
- 机器学习在医疗保健中的应用
- 发现生物标志物的发现.
背景情况:
- 在全球范围内,早产 (PTB) 影响了1500万婴儿,导致超过35%的新生儿死亡.
- 虽然母亲的晚年是一个危险因素,但35岁以下女性的PTB风险仍未得到充分研究.
- 早期预测和干预对于改善早产儿的结果至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于预测35岁以下妇女早产风险.
- 在这个人口群体中确定早产的关键预测生物标志物.
- 评估机器学习在早期早产干预方面的临床实用性.
主要方法:
- 对2606个病例 (2019-2022) 的回顾性分析和803个病例 (2023) 的外部验证.
- 评估后勤回归,轻GBM,梯度提升决策树 (GBDT) 和XGBoost模型.
- 使用曲线下面面积 (AUC),准确度,灵敏度,特异性和SHAP值进行性能评估.
主要成果:
- XGBoost模型在验证集上获得了0.893的AUC,在外部验证上获得了0.91的AUC,实现了卓越的性能.
- 通过SHAP分析确定的关键预测因素包括性酸酶 (ALP),α-fetoprotein (AFP),血红蛋白 (HGB),尿素 (UREA),淋巴细胞计数 (Lym1), (Na) 和RDWCV.
- 开发的模型在预测早产风险方面表现出很高的准确性.
结论:
- XGBoost模型为35岁以下的女性提供了准确的早产风险预测.
- 已识别的生物标志物为有针对性的早期干预策略提供了有价值的见解.
- 该模型显示,在减少早产率和改善新生儿结果方面,临床应用具有显著的潜力.

