使用机器学习预测与怀孕有关的骨盆腰带疼痛

科学领域:

• 医学研究 医学研究
• 在医疗保健中的数据科学.
• 产科和妇科 产科和妇科

背景情况:

• 与怀孕相关的骨盆腰带疼痛 (PPGP) 显著影响孕妇的生活质量.
• 对于PPGP诊断的可预测性,人们的了解有限.
• 识别风险因素对于及时干预至关重要.

研究的目的:

• 将机器学习 (ML) 模型的预测性能与PPGP的传统方法进行比较.
• 评估各种ML算法在预测PPGP诊断中的有效性.

主要方法:

• 在第三级医院对780名孕妇的数据进行了重新分析.
• 应用ML算法:物流回归 (LR),随机森林,XGBoost,K-最近邻居.
• 使用特征选择和交叉验证进行优化;AUROC作为主要指标.

主要成果:

• 机器学习模型,特别是XGBoost和LR,显示出高预测准确度 (AUROC = 0.70).
• 重要的预测因素包括先前的LBP/PGP病史,家族病史,妊娠年龄和长时间站立.
• 以前的LBP/PGP历史是最有影响力的预测因素.

结论:

• 机器学习模型显示了预测PPGP的巨大潜力,改善了风险识别.
• 将ML纳入临床实践可以增强早期检测和预防策略.
• 这种方法可以减少PPGP对孕妇的不良影响.