基于机器学习的预测,在怀孕期间使用胎儿生物识别比率预测没有怀疑的巨
Can Ozan Ulusoy1, Ahmet Kurt2, Ayşe Gizem Yıldız3
1Department of Perinatology, Ankara Etlik City Hospital, Ankara 06170, Turkey.
Journal of clinical medicine
|August 14, 2025
概括
机器学习模型使用胎儿生物识别比率在低风险怀孕中准确预测肩膀缩 (ShD). 这些先进的工具有助于在意外的ShD病例中做出临床决策.
科学领域:
- 产科和妇科 产科和妇科
- 围产儿医学 围产儿医学
- 医疗信息学 医疗信息学
背景情况:
- 肩膀缩 (ShD) 是一个具有重大新生儿风险的临界产科紧急情况.
- 在没有怀疑巨症的怀孕中预测SHD仍然具有挑战性.
- 早期识别ShD对于改善新生儿结局至关重要.
研究的目的:
- 评估用于预测ShD的机器学习 (ML) 模型.
- 评估胎儿生物识别比率在SHD预测中的有效性.
- 为了确定非宏观性怀孕中ShD的预测因素.
主要方法:
- 对284名女性进行了回顾性病例对照研究 (84例SHD病例,200例对照).
- 对胎儿生物识别比率 (BPD/AC,AC/FL) 和临床数据的分析.
- 开发和测试ML模型 (LR,RF,XGB) 的预测准确性.
主要成果:
- 胎儿生物识别比率,特别是BPD/AC和AC/FL,显著改善了ShD预测.
- 采用BPD/AC的随机森林模型实现了0.884的AUC (68%的灵敏度,83%的特异性).
- 使用AC/FL模型的AUC达到0.896 (68%的灵敏度,90%的特异性).
结论:
- 结合胎儿生物识别比率的ML模型提高了低风险怀孕中ShD预测.
- 这些模型可以帮助临床决策对于意想不到的ShD.
- 改进的预测支持在交付过程中更好地管理ShD.
