使用机器学习开发和验证可解释的纵向妊娠前风险预测

科学领域:

• 围产儿医学 围产儿医学
• 计算生物学 计算生物学
• 生殖健康 生殖健康

背景情况:

• 孕前会影响2-8%的怀孕,并导致高达26%的孕产妇死亡.
• 目前的预测工具错过了高达66%的妊娠前病例.
• 预先和准确地预测子宫前对于孕产妇和胎儿的结果至关重要.

研究的目的:

• 开发和验证一种用于纵向预测孕前风险的新型工具.
• 改善早期识别患有孕前风险的患者.
• 在整个怀孕期间提供个性化的风险预测.

主要方法:

• 大队列 (N=101,357) 的回顾性分析,使用nuMoM2b队列进行外部验证.
• 使用了社会人口统计,临床,家族史,实验室和生命体征数据.
• 在八个妊娠时间点开发和比较多个机器学习模型 (逻辑回归,随机森林,xgboost,深度神经网络).

主要成果:

• 在研究人群中,孕前的发生率为6.1%.
• 模型AUC在开发队列中为0.71-0.80,在外部验证队列中为0.57-0.70.
• 基于种族和种族,没有观察到显著的绩效差异.

结论:

• 新的预测模型显示了早期识别子宫前风险的潜力.
• 该方法允许在整个怀孕期间进行个性化风险评估.
• 在扩大风险人口中,早期识别与监视需求之间的平衡至关重要.