基于机器学习算法的胎儿生长限制中不良周产期结果预测模型的构建:一项回顾性研究
Xiangli Meng1,2, Lei Wang1,2, Minghui Wu1,2
1Beijing Obstetrics and Gynecology Hospital, Capital Medical University, Beijing, China.
概括
这项研究开发了一种机器学习 (ML) 模型,用于预测胎儿生长限制 (FGR) 中的不良围产期结果 (APO). ML模型整合了母体和超声波数据,显示了FGR怀孕中早期APO检测的强有力的预测价值.
科学领域:
- 产周医学 产周医学
- 机器学习在医疗保健中的应用
- 胎儿医学 胎儿医学
背景情况:
- 胎儿生长限制 (FGR) 与显著的周产期不良结果 (APO) 有关.
- 在诊断时准确预测FGR中的APO对于及时干预至关重要.
- 当前的预测方法可能缺乏精度,需要先进的分析方法.
研究的目的:
- 开发和验证基于机器学习 (ML) 的模型,用于预测诊断时胎儿生长限制 (FGR) 的怀孕中不良产周结果 (APO).
- 确定在FGR中预测APO的关键临床和超声波参数.
主要方法:
- 一项回顾性多中心研究,涉及被诊断患有FGR的单子妊娠.
- 使用随机森林 (RF),LASSO和物流回归 (LR) 进行特征选择.
- 使用培训和内部/外部测试套件构建和验证ML模型,包括一个堆叠模型. 模型性能使用AUROC和校准曲线进行评估.
主要成果:
- 该研究确定了母亲的体重指数,高血压,诊断时的妊娠年龄,估计胎儿体重 (EFW) z-score,EFW生长速度和动脉多普勒异常作为显著预测因素.
- 堆叠ML模型实现了高预测性能,内部测试集的AUROC为0.861,外部测试集的AUROC为0.906.
- 在预测和观察到的风险之间观察到很高的一致性,在两组测试中均进行了良好的校准.
结论:
- 整合母亲临床因素和超声波参数的机器学习算法在诊断时显示出APO在FGR中的显著预测价值.
- ML技术为早期识别高风险FGR怀孕提供了有希望的方法,需要更密切的监测和管理.
- 开发的ML模型可以帮助临床医生进行风险分层和个性化FGR管理.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.4K
