人工智能在产科风险预测中的应用:对产前症机器学习模型的系统审查

科学领域:

• 产科和妇科 产科和妇科
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 孕前是一个重要的全球健康问题,导致孕产妇和产周死亡率.
• 预产前的传统预测模型的准确性有限.
• 机器学习 (ML) 提供了先进的功能,用于分析复杂的,多维数据集中的非线性数据,以改进预测.

研究的目的:

• 系统地审查和评估ML模型的性能,方法质量和临床适用性,以预测妊娠前.
• 确定关键预测因子,并评估预孕前的ML模型中的偏差风险.
• 综合关于ML方法在预产前预测中的区分能力的证据.

主要方法:

• 在五个主要数据库中,按照PRISMA 2020指南进行了系统审查.
• 包括开发或验证用于预产前预测的ML模型的研究,数据提取到2025年4月15日.
• 预测模型偏差风险评估工具 (PROBAST) 用于评估偏差风险.

主要成果:

• 包括11项涉及116,253个怀孕的研究.
• 集合ML方法 (XGBoost,随机森林) 实现了高性能 (AUC 0.840.973).
• 确定的主要预测因素是平均动脉压,先前的孕前史,胎盘生长因子 (PlGF) 和与怀孕相关的血蛋白A (PAPP-A).

结论:

• 机器学习模型,特别是组合方法,在预产前预测方面表现出强大的区分能力.
• 预测因子的异质性和有限的外部验证阻碍了广泛的临床采用.
• 未来的研究应该专注于用标准化的临床翻译协议来进行前性验证.