机器学习驱动的产后发烧预测:一个全面的大型回顾性队列研究,整合了炎症和产科标志物
Hong Jiang1, Na Li1
1Department of Obstetrics, Maternal and Child Health Hospital of Hubei Province, Wuhan, Hubei, 430070, People's Republic of China.
International journal of general medicine
|November 19, 2025
概括
机器学习模型使用临床和血液学标志物预测产妇内发烧. 随机森林模型显示了高准确度,而物流回归和弹性网则为临床使用提供了更好的特异性.
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:
- 产后发烧对母亲和新生儿构成风险.
- 准确的预测对于及时干预和管理至关重要.
- 现有的预测方法可能缺乏各种标记物的全面整合.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测产后发烧.
- 整合临床和血液学标记,以提高预测能力.
- 在这个预测任务中比较各种ML算法的性能.
主要方法:
- 使用了15760名分娩者的大量队列,数据分为培训 (70%) 和测试 (30%) 集.
- 一个三个阶段的可变选过程 (皮尔森相关性,LASSO回归,SHAP值) 确定了关键预测因素.
- 七个ML算法 (LR,DT,RF,XGBoost,SVM,MLP,ENET) 使用准确性,ROC AUC和成本效益分析进行了评估.
主要成果:
- 关键预测因素包括中性粒细胞-淋巴细胞比率 (NLR),白细胞计数 (WBC) 和初级性.
- 随机森林 (RF) 模型实现了高测试AUC (0.94),但较低的特异性 (0.57).
- 物流回归 (LR) 和弹性网 (ENET) 显示出良好的概括性 (测试AUC=0.87),具有更好的特异性 (0.69).
结论:
- 一个强大的ML框架,整合炎症和产科参数,可以有效地分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分层分组分组分组
- 射频是风险分层的最佳表现,而LR和ENET更适合广泛的临床应用,因为它们的特异性更好.
- 开发的框架解决了产后发烧管理中的关键差距,使得有针对性的干预措施成为可能.
