推进机器学习工具,用于预先预测和临床诊断子宫前
Prince Jain1, Juhi Saxena2, Anand Joshi1
1Department of Mechatronics Engineering, Parul Institute of Technology, Parul University, Vadodara, Gujarat 391760, India; Micro Nano Research & Development Center, Parul University, Vadodara, Gujarat 391760, India.
Pregnancy hypertension
|October 25, 2025
概括
机器学习模型使用生物标志物分析准确预测子前期. 这种方法提高了早期风险评估,以改善不同医疗保健环境中的孕产妇和胎儿健康结果.
科学领域:
- 产科和妇科 产科和妇科
- 医疗信息学 医疗信息学
- 生物标志物发现发现
背景情况:
- 孕前是一个日益严重的全球健康挑战,对孕产妇死亡率和并发症作出了重大贡献.
- 目前的孕前风险评估方法由于非特异性生物标志物和侵入性测试而面临局限性,阻碍了远程应用.
- 准确的早期和晚期风险评估对于管理子宫前和改善母亲和胎儿的结果至关重要.
研究的目的:
- 探索先进机器学习 (ML) 模型的集成,用于分析尿液和血清生物标志物.
- 通过使用ML算法来提高妊娠前诊断的预测准确度.
- 评估ML在可变资源设置中的实时风险评估的潜力.
主要方法:
- 评估包括CatBoost,LightGBM,XGBoost和随机森林 (RF) 在内的ML算法.
- 临床数据集的分析,包括11006名来自西大学医疗保健中心的孕妇.
- 使用十倍交叉验证来评估模型性能和特征的重要性.
主要成果:
- CatBoost显示了最高的预测准确率,约为92.12%,其次是RF,LightGBM和XGBoost.
- 功能重要性分析突出了促进诊断精度的关键生物标志物.
- ML模型显示了准确的子宫前风险评估的显著潜力.
结论:
- 用机器学习驱动的生物标志物的分析为预先孕风险评估和诊断提供了一个有前途的方法.
- 这项技术可以提高诊断精度,特别是在远程或资源有限的环境中.
- 实施ML模型可以通过对子宫前的及时干预,从而带来更好的孕产妇和胎儿健康结果.
