机器学习模型用于预测怀孕中期的早产,使用个人特征和生物物理标记:一个队列研究
Antonios Siargkas1, Ioannis Tsakiridis1, Dimitra Kappou2,3
1Third Department of Obstetrics and Gynecology, School of Medicine, Faculty of Health Sciences, Aristotle University of Thessaloniki, 54124 Thessaloniki, Greece.
Children (Basel, Switzerland)
|November 27, 2025
概括
预测早产 (PTB) 亚型至关重要. 使用第二季度数据的模型有效预测医学上指示的PTB,但对自发的PTB显示适度的结果.
科学领域:
- 产科和妇科 产科和妇科
- 围产儿医学 围产儿医学
- 计算生物学 计算生物学
背景情况:
- 在37周之前的早产 (PTB) 是新生儿死亡的主要原因.
- PTB被分为自发性和医学上适用的 (催产素) 亚型,原因不同.
- 缺乏区分PTB亚型的准确预测模型.
研究的目的:
- 开发和验证自发性和阳性PTB的预测模型.
- 预测孕期32,34,<37周的PTB.
- 利用病史和第二个三个月的数据进行预测.
主要方法:
- 对9805例单独怀孕 (2012-2025) 的回顾性队列研究.
- 预测因素包括母亲的特征,产科史和第二个三个月的超声波标记.
- 使用曲线下的面积 (AUC) 评估了四种算法 (逻辑回归,随机森林,XGBoost,神经网络).
主要成果:
- 模型对阳性PTB (AUC高达0.862在<32周) 的表现明显好于自发PTB (AUC高达0.749在<32周).
- 阳性PTB预测是由胎盘功能障碍标志物 (例如,估计胎儿体重,子宫动脉脉动指数) 驱动的.
- 自发性PTB预测与PTB病史和短宫长度有关.
结论:
- 孕期中期数据模型有效地预测阴性PTB,对于早期孕期的准确性提高.
- 自发性PTB的预测性能不佳.
- 逻辑回归的性能与机器学习算法相比较,强调子类型特定的建模.
