开发和验证超级学习者模型,以预测第二代妊娠年龄的小和大

科学领域:

• 围产期流行病学 围产期流行病学
• 生殖健康 生殖健康
• 在产科中使用机器学习.

背景情况:

• 准确预测胎儿生长偏差,对于妊娠年龄 (SGA) 很小,对于妊娠年龄 (LGA) 很大,对于优化围产期结果至关重要.
• 目前使用产前数据的预测模型,特别是对于未婚妇女,显示出低于最佳的表现.

研究的目的:

• 通过将代际数据 (祖母和母亲因素) 与母亲临床信息相结合,开发和验证SGA和LGA的预测模型.
• 评估将"G0预测因素" (祖母怀孕史和母亲出生特征) 纳入具有"G1预测因素" (怀孕26周的母亲临床因素) 的模型中的增量预测价值.

主要方法:

• 在加拿大新斯科舍省 (1981-2011) 中,利用了一组单独分娩的回顾性队列,对加拿大诺瓦斯科舍州的绝育妇女进行了研究.
• 雇佣了超级学习者,一个整体机器学习算法,来构建预测模型.
• 使用嵌套交叉验证,评估歧视 (AUC-ROC,AUC-PR) 和校准的验证模型.

主要成果:

• 结合G0预测因素的模型与仅G1模型相比显示出更好的歧视 (例如,AUC-ROC从SGA的0.66增加到0.69).
• 精度回忆曲线也显示了适度的改进,包括G0预测器.
• 结合G0和G1预测器的模型得到了良好的校准.

结论:

• 纳入代际信息 (祖母和母亲的出生数据) 在预测SGA和LGA中提供了适度的改进.
• 尽管有了改进,胎儿生长偏差的整体预测性能仍然低于最佳水平,这凸显了需要进一步研究和改进方法的需要.