劳动监测和决策支持:基于机器学习的模式
Mariana Nogueira1,2, Sergio Sanchez-Martinez1,2, Gemma Piella1
1Department of Engineering, Universitat Pompeu Fabra, Barcelona, Spain.
Frontiers in global women's health
|May 1, 2025
概括
一个新的机器学习模型增强了实时劳动力监控和决策支持. 这种方法的性能优于部分仪,与先进的模型相匹配,改善了分娩期间的患者护理.
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:
- 目前的劳动监测工具,如分片计,有其局限性.
- 纯监督机器学习模型可能缺乏灵活性和可解释性.
- 在分娩期间实时决策支持对于改善结果至关重要.
研究的目的:
- 为实时劳动力监测和决策支持提出一种新的机器学习范式.
- 解决劳动力管理现有方法的局限性.
- 为医疗保健提供者开发一个灵活和可解释的工具.
主要方法:
- 开发了一种混合无监督和监督的机器学习方法.
- 使用无监督的维度缩小来可视化劳动力数据.
- 使用历史队列数据估计了个性化的健康分娩轨迹.
- 使用了世界卫生组织"劳动困难中更好的结果" (BOLD) 研究数据 (9,995名女性).
主要成果:
- 拟议的模型在所有女性中实现了大约0.70的灵敏度和特异性.
- 在不同小组中,预测性能各不相同.
- 该模型在预测剖腹产时表现出有效性.
结论:
- 与部分图相比,开发的机器学习方法提供了更高的灵活性和可解释性.
- 它与最先进的监督模型的性能相匹配.
- 这种范式为劳动力管理提供了有价值的实时监控和决策支持解决方案.
