通过可解释的人工智能对胎儿运动及其结果的第一季度评估模型:一个多中心研究

科学领域:

• 产周医学 产周医学
• 医疗保健中的人工智能
• 预测性诊断 预测性诊断是一种预测性诊断.

背景情况:

• 妊娠晚期胎儿运动减少是一个已知的问题.
• 早期发现胎儿生长限制 (FGR) 对于及时干预至关重要.
• 可解释的人工智能为量化早期胎儿运动 (FMs) 和预测结果提供了新的方法.

研究的目的:

• 使用检查清单量化早期胎儿运动 (FMs).
• 预测胎儿的结果,特别是胎儿生长限制 (FGR),使用可解释的人工智能 (AI).
• 开发一个用于早期FGR检测的预测模型.

主要方法:

• 一个前性观察性研究,对第一季度的230个胎儿进行了观察.
• 使用非概率方便采样来确定26个FGR和204个正常病例.
• 使用JASP,Jamovi和谷歌协作室开发预测模型,使用CatBoost,随机森林,决策树和KNN等算法.
• 使用准确度,精度,回忆,F1分数,哈明损失和雅卡德分数等指标验证模型性能.
• 应用可解释的AI技术,包括SHAP,LIME,QLattice和Anchor,以实现模型可解释性.

主要成果:

• 超声波得分高于8表示正常胎儿的结果有利.
• CatBoost实现了最高的准确性 (87%) 和回忆 (87%).
• 随机森林,决策树,KNN和CatBoost显示了最高的精度 (79%).
• CatBoost获得了最高的F1得分 (83%) 和最低的哈明损失 (0.13).
• 堆叠模型实现了89%的准确性,79%的精度和83%的回忆.
• 可解释的AI方法为模型预测提供了强大的洞察力.

结论:

• 一个人工智能驱动的预测模型可以有效量化早期胎儿运动,并识别胎儿生长限制 (FGR).
• 开发的模型可以作为产科医生的宝贵预警工具.
• 这个人工智能工具可以促进及时的医疗决策,有可能改善胎儿的结果.