使用可解释的机器学习算法预测子宫外妊娠

科学领域:

• 生殖健康 生殖健康
• 医疗信息学 医疗信息学
• 机器学习在医学中的应用

背景情况:

• 宫外怀孕 (EP) 发生在胚胎囊在子宫外植入时.
• 准确的风险识别和理解风险因素关系对于管理EP至关重要.

研究的目的:

• 开发预测模型,以提高异胎妊娠风险识别.
• 揭示已知的风险因素与异胎妊娠发生之间的关系.

主要方法:

• 使用五倍交叉验证和网格搜索进行模型优化.
• 使用精度,AUC和NPV评估模型性能.
• 在特征显著性分析中使用了夏普利添加式解释 (SHAP).

主要成果:

• 随机森林 (RF) 实现了最高的性能 (87.13%准确率,90.65%AUC).
• 通过物流回归 (LR) 和SHAP分析确定了周期中期疼痛,生殖器手术史和经期不良作为关键预测因素.

结论:

• 机器学习模型显示了改善异胎妊娠临床决策的潜力.
• 需要在不同的群体中进行进一步的验证,考虑到诸如单一中心数据和未评估的风险因素 (例如,PID,IUD) 等局限性.