使用机器学习预测死胎和识别关键的孕产妇风险因素
1Statistics, Salale University, Fiche, Oromia, Ethiopia mergabdisa3@gmail.com.
BMJ paediatrics open
|October 29, 2025
概括
产妇年龄是死胎的主要预测因素,分娩和分娩因素也很重要. 机器学习模型,如随机森林,有效地识别高风险怀孕的有针对性的干预措施.
科学领域:
- 孕产妇健康 孕产妇健康
- 公共卫生 公共卫生
- 医疗信息学医学信息学
背景情况:
- 死产是一个关键的全球卫生问题,特别是在资源较低的环境中.
- 识别孕产妇和产科风险因素对于预防死产至关重要.
- 机器学习 (ML) 模型提供了超越传统物流回归的先进预测能力.
研究的目的:
- 使用ML模型预测死产风险.
- 确定埃塞俄比亚死产的关键孕产妇和产科预测因素.
- 为了比较各种ML模型对死产预测的性能.
主要方法:
- 使用孕产妇和产科记录进行了回顾性横截面研究.
- 应用随机森林 (RF),梯度提升机器,支向量机器和物流回归.
- 使用精度,ROC-AUC和平衡精度评估模型;使用SHAP进行解释.
主要成果:
- 随机森林 (RF) 实现了92%的准确性和0.95的ROC-AUC,优于其他模型.
- 母亲年龄是最强的预测因素,其次是劳动和分娩因素.
- SHAP分析证实了预测因素的重要性,并解释了变量特定的风险影响.
结论:
- 孕产妇的年龄是死胎的主要决定因素,除了劳动/分娩和孕产妇的特征.
- 机器学习模型,特别是射频模型,可以准确预测死胎风险,并提供可解释的见解.
- 结果支持使用ML用于有针对性的产前护理,以减少资源有限的地区的死产.
