机器学习模型的时间验证,以使用例行收集的母亲特征来预测妊娠前:一个验证研究
Sofonyas Abebaw Tiruneh1, Daniel Lorber Rolnik2, Helena Teede1
1Monash Centre for Health Research and Implementation, Faculty of Medicine, Nursing and Health Sciences, Monash University, Melbourne, Australia.
Computers in biology and medicine
|April 14, 2025
概括
后勤回归和XGBoost模型显示了先兆子 (PE) 的稳定预测性能,但机器学习模型都没有超过后勤回归. 逻辑回归被推用于例行实践,作为PE的初始查工具.
科学领域:
- 产科和妇科 产科和妇科
- 医疗信息学 医疗信息学
- 公共卫生 公共卫生
背景情况:
- 孕前 (PE) 是全球主要的孕产妇和新生儿死亡原因之一.
- 早期检测和干预对于减少PE并发症至关重要.
- 现有的风险预测模型需要严格的验证才能用于临床应用.
研究的目的:
- 暂时验证三种现有的孕前 (PE) 预测模型:两个机器学习 (ML) 模型 (XGBoost,随机森林) 和一个后勤回归模型.
- 为了比较这些验证模型的预测性能.
- 评估PE预测模型的临床实用性.
主要方法:
- 使用澳大利亚墨尔本东南部 (2021年7月至2022年12月) 的产前数据对XGBoost,随机森林和后勤回归模型进行时间验证.
- 使用接收器操作特征曲线 (AUC) 下的面积和使用斜率进行校准来评估歧视.
- 通过引导和评估临床净益处来比较AUC.
主要成果:
- 时间数据集包括12,549个怀孕,PE发病率为3.43%.
- XGBoost (AUC 0.75) 和后勤回归 (AUC 0.76) 显示出类似的歧视;随机森林的AUC为0.71.
- 后勤回归显示出优异的校准 (斜率1.02);XGBoost显示出更差的校准 (斜率1.15).
- 时间验证后勤回归和XGBoost模型保持了稳定的歧视,优于随机森林.
- 在特定风险值下,物流回归和XGBoost模型提供了比特定风险值的违约策略更好的临床净益.
结论:
- 后勤回归和XGBoost模型在预兆前的时间验证后显示出稳定的预测性能.
- 机器学习模型在PE预测中都没有明显优于逻辑回归模型.
- 后勤回归是一种可行的选择,用于在两阶段的PE检测方法中进行例行,第一阶段的查,确定女性进行进一步评估.
