将SHAP分析与机器学习相结合,可以预测阴道分娩中的产后出血

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:

• 产后出血 (PPH) 是全球孕产妇发病率和死亡率的一个重要原因.
• 准确预测PPH风险对于及时干预和改善患者结果至关重要.
• 现有的风险评估工具往往缺乏准确性和解释性.

研究的目的:

• 开发和验证一个机器学习 (ML) 模型与SHapley添加式解释 (SHAP) 集成,用于预测PPH风险.
• 为女性进行阴道分娩提供个性化风险评估和预防策略的可解释工具.
• 通过SHAP分析确定PPH的关键预测特征.

主要方法:

• 一项回顾性多中心队列研究在中国东北地区进行.
• 一个XGBoost ML模型被开发并使用来自阴道分娩的电子医疗记录数据进行验证.
• 用SHAP分析进行特征选择,解释和模型解释.

主要成果:

• XGBoost模型实现了PPH的高预测精度,训练集的曲线下面面积 (AUC) 为0.997.
• SHAP分析确定了15个关键特征,这些特征有助于PPH预测,提供了对其影响的直观见解.
• 该模型在内部 (AUC=0.894) 和外部 (AUC=0.880) 验证数据集中表现强.

结论:

• 成功开发了一种可解释的ML模型,能够高准确地预测阴道分娩后的PPH.
• 综合SHAP模型为个性化PPH风险评估和临床决策提供了一个有前途的工具.
• 建议使用更大,更多样化的数据集进行进一步验证,以提高在不同人群和医疗保健环境中的概括性.