机器学习的应用用于识别低APGAR分数的风险因素
Haifa Fahad Alhasson1, Nagat Elhag2, Shuaa Saleem Alharbi3
1Department of Information Technology, College of Computer, Qassim University, Buraydah 52571, Saudi Arabia. hhson@qu.edu.sa.
BMC pregnancy and childbirth
|May 9, 2025
概括
机器学习使用母婴和胎儿数据准确预测低APGAR分数. 确定的主要风险因素包括妊娠年龄和母亲的BMI,使得针对性的干预措施可以改善新生儿的结果.
科学领域:
- 新生儿健康 新生儿健康
- 机器学习在医学中的应用
- 产科护理 产科护理 产科护理
背景情况:
- 确定低APGAR分数的危险因素对于新生儿的结果至关重要.
- 临床干预可以通过了解这些风险因素来指导.
- 低APGAR分数表明潜在的新生儿健康问题需要注意.
研究的目的:
- 开发一个机器学习模型来预测低APGAR分数.
- 将母体,胎儿和产后因素纳入预测模型.
- 确定导致苏丹瓦德梅丹尼APGAR分数低的关键风险因素.
主要方法:
- 使用随机森林分类器进行预测.
- 采用网格搜索交叉验证 (CV) 进行超参数优化.
- 分析的特征的重要性,以确定重大风险因素.
主要成果:
- 优化的模型实现了高预测性能 (例如96%的准确性,97%的F1得分).
- 确定的关键预测因素包括妊娠年龄,母亲的BMI,分娩方式和之前的妊娠并发症.
- 功能重要性分析强调了导致APGAR分数低的重要因素.
结论:
- 机器学习方法在产科护理中很有价值,用于了解新生儿不良后果.
- 该研究为针对性干预提供了基础,以减轻与低APGAR分数相关的风险.
- 这些发现可以为改善产前护理实践提供信息.
