机器学习预测系统用于预测患有子宫前的风险

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:

• 孕前是孕产妇和胎儿发病的一个重要原因.
• 准确和早期的风险评估对于及时干预至关重要.
• 现有的预测方法可能昂贵或难以获得.

研究的目的:

• 开发和验证一种基于机器学习 (ML) 的预测模型,用于预先孕风险.
• 用例行收集的临床数据用于模型开发.
• 为了确定预兆性先兆子的关键临床特征.

主要方法:

• 对2444名孕妇 (2015-2019) 的临床数据进行了回顾性分析.
• 开发了五种ML模型:后勤回归,随机森林,光梯度增强机,极端梯度增强 (XGBoost) 和多层感知器.
• 应用合成少数过量采样技术 (SMOTE) 和夏普利添加式扩展 (SHAP) 对于特征的重要性.

主要成果:

• XGBoost表现出卓越的性能,接收器操作特征曲线 (AUC) 下的面积为0.921.
• 通过SHAP分析识别的关键预测因素包括透气血压,静脉血压和尿液葡萄糖.
• 该模型实现了高精度,灵敏度和特异性.

结论:

• 机器学习,特别是XGBoost,使用标准临床数据有效预测子宫前风险.
• 这种ML方法为昂贵的诊断测试提供了经济有效的替代方案.
• 开发的模型有助于实时风险评估,并支持早期临床干预.