基于机器学习算法的高风险怀孕预测

科学领域:

• 医疗保健信息学 医疗保健信息学
• 应用机器学习应用机器学习
• 孕产妇健康研究研究

背景情况:

• 孕产妇健康管理需要有效的工具来识别高风险怀孕.
• 现有的方法可能缺乏及时干预所需的速度和准确性.
• 孟加拉国产妇健康风险数据集 (MHRD) 为开发预测模型提供了基础.

研究的目的:

• 开发和评估用于预测高风险怀孕的机器学习模型.
• 确定对母亲健康风险评估最有效的算法.
• 为医疗保健专业人员创建一个决策支持工具.

主要方法:

• 使用了六种机器学习算法:多层感知器 (MLP),物流回归 (LR),决策树 (DT),随机森林 (RF),极端梯度增强 (XGBoost) 和支持向量机器 (SVM).
• 在包括1014名孕妇在内的MHRD数据集上培训和测试模型.
• 基于准确度和预测率评估模型性能.

主要成果:

• 多层感知器 (MLP) 算法在测试模型中表现出卓越的性能.
• 开发的MLP模型在预测怀孕风险方面取得了82%的整体准确性.
• 该模型显示高准确率为91%,专门用于识别高风险怀孕.
• 该模型以每秒500个数据项的速度处理数据,由NVIDIA GPU RTX3050Ti.支持.

结论:

• 机器学习,特别是MLP,为预测高风险怀孕提供了一种强大而有效的方法.
• 开发的模型可以作为一个有价值的决策支持工具,以改善孕产妇医疗保健管理.
• 这项研究强调了人工智能的潜力,提高了早期发现和管理妊娠并发症的可能性.