开发和验证可解释的基于机器学习的预测模型,用于剖腹产后胎盘前期流血的预测模型:一项多中心研究
Mianmian Li1, Xinhui Su1, Wenxin Liao1
1Department of Obstetrics and Gynecology, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, 430030, Hubei, China.
Reproductive sciences (Thousand Oaks, Calif.)
|August 13, 2025
概括
机器学习准确地预测了胎盘前列病例的产后出血. 梯度增强机模型表现出强的性能,识别了早期干预的关键预测因素,如d-dimer和超声波发现.
科学领域:
- 产科和妇科 产科和妇科
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 产后出血 (PPH) 是一个重要的风险在怀孕前胎盘.
- 准确预测PPH对于及时干预和改善母亲的结果至关重要.
- 现有的预测方法可能缺乏对像胎盘前列症这样的复杂病例所需的精度.
研究的目的:
- 开发和评估机器学习模型,用于预测胎盘前期妇女产后出血.
- 为了确定导致PPH风险的关键临床变量,在这个特定的患者群体.
- 为了比较不同机器学习算法和集体模型的性能.
主要方法:
- 追溯研究845个单独怀孕的患者与胎盘前.
- 开发了11个机器学习模型,使用通过回归分析选择的临床变量 (p < 0.05).
- 使用曲线下面面积 (AUC),精度 (ACC),灵敏度 (SEN),特异性 (SPE) 和决策曲线分析 (DCA) 的性能评估. 用于变量解释的夏普利添加式解释 (SHAP).
主要成果:
- 梯度增强机 (GBM) 模型表现出最好的预测性能.
- 在验证队列中,GBM模型实现了0.810的AUC和0.765.76的ACC.
- SHAP分析确定了d-二次体,胎盘增殖谱的超声诊断,中性粒细胞,前血栓时间和血小板作为最重要的预测变量.
结论:
- 梯度增强机模型在预测胎盘前期患者产后出血方面表现出色.
- 机器学习,特别是GBM,为胎盘前期PPH的风险分层和管理提供了一个有前途的工具.
- SHAP分析为推动PPH预测的临床因素提供了宝贵的见解,有助于临床决策.
