可解释的深度神经网络,用于利用多模式母因子推进早期新生儿出生体重预测
Muhammad Mursil1, Hatem A Rashwan1, Adnan Khalid1
1Department of Computer Engineering and Mathematics, Universitat Rovira i Virgili, Tarragona, 43007, Tarragona, Spain.
Journal of biomedical informatics
|May 8, 2025
概括
通过使用母因子的深度学习模型,预测新生儿低出生体重 (LBW) 得到了改善. 这种人工智能工具比传统方法提高了精度,有助于为更好的新生儿结果做出临床决策.
科学领域:
- 医疗保健中的人工智能
- 孕产妇和胎儿医学 孕产妇和胎儿医学
- 新生儿健康 新生儿健康
背景情况:
- 新生儿低出生体重 (LBW) 是新生儿发病率和死亡率的一个关键因素.
- 传统的预测方法,如超声波,往往忽略了影响出生体重 (BW) 的关键风险因素.
研究的目的:
- 开发一个精确的深度神经网络,以使用早期怀孕数据来预测新生儿BW.
- 创建一个临床决策支持系统,整合母亲的营养,生理和生活方式因素.
主要方法:
- 验证传统的机器学习模型.
- 对表格数据的可解释深度学习模型 (TabNet) 的实施和评估.
- 对广泛的母体健康指标数据集进行评估.
主要成果:
- TabNet模型实现了96%的准确性和0.96.9的AUC.
- 母亲的维生素B12和叶酸状况被确定为BW的关键预测因素.
- 营养因素显著影响新生儿健康结果.
结论:
- 整合多式母体因素可以提高新生儿BW的预测模型精度.
- 该决策支持系统在产前护理和LBW风险减轻方面提供了潜在的应用.
- 该系统改善了临床决策和新生儿结果.
