可解释的机器学习模型用于预测单子妊娠中低出生体重:一个回顾性队列研究
Xiaojuan Wu1, Qingxiang Zhao2, Yong Gao2
1Department of Health Statistics, School of Public Health, Shandong Second Medical University, Weifang, China.
BMC pregnancy and childbirth
|November 4, 2025
概括
预测模型确定了低出生体重 (LBW) 的关键风险因素. 母亲年龄,妊娠年龄,BMI,妊娠高血压疾病和胎儿痛苦是预防LBW的关键指标.
科学领域:
- 产科和妇科 产科和妇科
- 新生儿健康 新生儿健康
- 数据科学在医学中的数据科学
背景情况:
- 低出生体重 (LBW) 是一个重要的全球公共卫生问题.
- 识别LBW的风险和保护因素对于干预至关重要.
- 这项研究的重点是预测单子妊娠中的LBW.
研究的目的:
- 利用预测模型来识别与LBW相关的关键因素.
- 在LBW预测中比较物流回归和机器学习算法的性能.
- 为临床决策和公共卫生战略提供见解.
主要方法:
- 对10,227个单子怀孕进行了一项回顾性队列研究.
- 使用了物流回归 (LR) 和四种机器学习 (ML) 模型 (随机森林,LightGBM,SVM,XGBoost).
- 用SHAP分析来解释ML模型中的特征重要性.
主要成果:
- XGBoost模型在LBW预测方面表现优异 (测试组中的AUC为0.741).
- 通过LR和XGBoost确定的关键因素包括孕产妇年龄,妊娠年龄,BMI,妊娠高血压障碍 (HDP) 和胎儿痛苦.
- LBW婴儿面临住院和先天性异常和呼吸应急综合征 (NRDS) 等疾病的风险增加.
结论:
- LR和XGBoost模型有效地预测LBW并确定相关的风险因素.
- 孕妇的早期妊娠年龄 (<37周),低BMI (<18公斤/米2),较年轻的孕产妇年龄 (<25岁),HDP或胎儿痛苦有更高的风险.
- 这些发现可以为有针对性的干预措施提供信息,以减少LBW率并改善新生儿结果.
