使用机器学习的预测模型来识别孕前患者的胎儿生长限制:发展和评估研究研究
Qing Hua1, Fengchun Yang2,3, Yadan Zhou1
1Department of Obstetrics and Gynecology, Zhengzhou Central Hospital Affiliated to Zhengzhou University, Zhengzhou, China.
Journal of medical Internet research
|May 27, 2025
概括
这项研究开发了一种可解释的机器学习模型,以准确预测子宫前患者的胎儿生长限制 (FGR). 该模型确定了关键的风险因素,改善了对这种常见妊娠并发症的临床干预.
科学领域:
- 产科和妇科 产科和妇科
- 医疗保健中的机器学习
- 围产儿医学 围产儿医学
背景情况:
- 胎儿生长限制 (FGR) 是妊娠前的一个重要并发症,增加了新生儿的风险.
- 现有的FGR预测方法缺乏临床解释性,并且经常偏向阶级,延迟及时干预.
研究的目的:
- 开发一个准确和可解释的机器学习 (ML) 模型,用于预测孕前患者的FGR.
- 改善FGR的早期检测和干预,减轻新生儿发病率和死亡率.
主要方法:
- 一项回顾性病例对照研究分析了38名患有FGR和没有FGR的孕前患者的特征.
- 评估了多个ML算法,并根据其性能选择了随机森林 (RF).
- 沙普利增量解释 (SHAP) 方法用于特征重要性排名和模型可解释性.
主要成果:
- 一个具有9个关键特征的可解释的射频模型在训练和外部数据集 (AUC分别为0.83和0.82) 中准确预测了FGR.
- 尿蛋白量化,孕期分娩周和动脉缩-透缩比是最重要的预测因素.
- 该模型被翻译成一个用于实际临床使用的网络工具.
结论:
- 一个准确和可解释的ML模型已经成功开发出来,用于预测孕前的FGR.
- SHAP分析有效地确定了关键风险因素,解决了临床应用中ML的"黑子"问题.
- 该工具有助于临床决策,可能改善围产期结果.
