孕妇睡眠障碍的预测模型使用机器学习和SHAP分析
Can Liu1,2, Yuan Lin3, Lu Wang4
1School of Public Health, Ningxia Medical University, Yinchuan, Ningxia, 750004, China.
BMC pregnancy and childbirth
|October 1, 2025
概括
机器学习使用临床数据准确预测与怀孕相关的睡眠障碍. 这使得早期干预能够改善母亲和婴儿健康结果.
科学领域:
- 产科和妇科 产科和妇科
- 睡眠医学 睡眠医学
- 计算健康 计算健康
背景情况:
- 睡眠障碍在孕妇中很普遍,影响母亲和婴儿的健康.
- 传统方法难以预测这些睡眠障碍.
- 先进的机器学习 (ML) 为早期检测提供了一个有希望的解决方案.
研究的目的:
- 开发和验证可靠的机器学习模型,用于早期预测怀孕期间的睡眠障碍.
- 确定与怀孕相关睡眠障碍相关的关键预测因素.
主要方法:
- 分析了1681名孕妇的数据.
- 使用后勤回归和LASSO回归来识别预测因素.
- 评估了8个ML算法,并进行了5倍交叉验证.
- 使用SHAP分析解释模型决策.
主要成果:
- 确定了十个关键预测因素,包括年龄,妊娠体重增加,妊娠周,焦虑和抑郁.
- 轻GBM模型显示了最高的性能 (AUC=0.718).
- 抑郁症成为最强的预测因素,其次是妊娠周和标准化妊娠体重增加.
结论:
- 一个可解释和准确的LightGBM模型可以用于早期识别患有睡眠障碍高风险的孕妇.
- 这种模式促进了有针对性的干预措施,以减少与睡眠相关的不良结果.
- 早期预测和干预可以显著改善母亲和婴儿的健康.
更多相关视频
04:33Author Spotlight: Unveiling the Connection Between Sleep Disorders and Cognitive Symptoms in Depression
Published on: April 26, 2024
1.2K
06:23A Chronic Sleep Fragmentation Model using Vibrating Orbital Rotor to Induce Cognitive Deficit and Anxiety-Like Behavior in Young Wild-Type Mice
Published on: September 22, 2020
6.0K
