可解释的机器学习模型用于识别和风险因素的早期膜破裂 (PROM) 和其与营养炎症指数的关联:一个回顾性研究

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:

• 膜的过早破裂 (PROM) 对母亲和新生儿的健康构成重大风险.
• 确定PROM的预测因素对于及时干预和改善结果至关重要.

研究的目的:

• 为PROM开发基于机器学习的风险因素预测模型.
• 研究PROM与营养炎症指数之间的关联.

主要方法:

• 追溯分析800名分娩者 (400名PROM,400名正常分娩).
• 使用回归和Boruta算法进行变量选择.
• 使用极端梯度提升 (XGBoost),支向量机 (SVM),后勤回归 (LR) 和随机森林 (RF) 的模型构建.
• 使用接收器运行特征曲线 (AUC) 下的面积,灵敏度,特异性和其他指标进行性能评估.

主要成果:

• 随机森林 (RF) 模型实现了卓越的性能,AUC为0.757.
• 确定的主要预测因素包括体重指数 (BMI),预后营养指数 (PNI),血小板,白蛋白和系统性炎症总指数 (AISI).
• 整体ROC模型显示出良好的疗效,AUC为0.777.

结论:

• 机器学习模型,特别是射频模型,在预测PROM方面显示出巨大的潜力.
• 炎症和营养指标是PROM预测的关键因素.
• 这项研究为未来的母胎医学和PROM预测研究提供了基础.