开发和评估用于预测新生儿死亡率的机器学习培训策略,使用多国数据
Gabriel Ferreira Dos Santos Silva1, Roberta Moreira Wichmann2,3, Francisco Costa da Silva Junior3
1School of Public Health, University of São Paulo, Av. Dr. Arnaldo, 715 - Cerqueira César, São Paulo, 01246-904, SP, Brazil. gabriel8.silva@usp.br.
Scientific reports
|July 7, 2025
概括
一个通用的机器学习模型有效地利用各种全球数据预测新生儿死亡风险. 这种方法对改善新生儿护理和降低全球死亡率充满希望.
科学领域:
- 全球健康 全球健康
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 新生儿死亡率仍然是一个重要的全球卫生问题,特别是在低收入和中等收入国家.
- 技术进步,包括机器学习 (ML),为预测和预防新生儿死亡率提供了潜在的解决方案.
- 通过预测分析来改善新生儿护理对于降低婴儿死亡率至关重要.
研究的目的:
- 评估机器学习 (ML) 模型在预测新生儿死亡风险方面的有效性.
- 为了比较一般化,国家特定和单一国家数据集衍生的ML模型的性能.
- 确定最佳的ML方法,以改善全球新生儿健康结果.
主要方法:
- 使用了来自国家卫生研究院 (NIH) 的母亲和新生儿健康登记 (MNHR) 数据集.
- 包括来自575,664例怀孕的数据 (2010-2016年用于培训,2017-2019年用于验证).
- 使用世界卫生组织推的新生儿健康指标评估了五个ML算法.
主要成果:
- 一般化的ML模型实现了最高的预测性能,接收器操作特征曲线 (AUC-ROC) 下的面积为0.816.
- 这表明,利用多样化,多中心的新生儿数据可以提高预测准确度.
- 一般化模型的表现优于特定国家和单一国家数据集模型.
结论:
- 一般化的机器学习模型显示出对新生儿死亡风险的优越预测能力.
- 将各种数据集集集成到ML模型中对于改善全球新生儿健康结果至关重要.
- 研究结果支持在医疗保健策略中采用通用ML模型,以减少新生儿死亡率.
更多相关视频
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
8.3K
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.6K
