开发一种可解释的机器学习模型,以预测宫结后的怀孕结果

科学领域:

• 产科和妇科 产科和妇科
• 生殖医学 生殖医学
• 医疗信息学 医疗信息学

背景情况:

• 宫缺陷是导致自发早产的主要原因.
• 麦当劳 cerclage 用于管理宫功能不充分,但有频繁的不良事件.
• 预测结后的结果对于个性化护理至关重要.

研究的目的:

• 评估机器学习 (ML) 模型在麦当劳研究后预测结果的有效性.
• 为了确定自发早产产后自发早产的关键预测因素.
• 开发一种临床上有用的工具,用于在接受 cerclage 的患者中进行风险分层.

主要方法:

• 追溯分析了462名接受麦当劳认证的孕妇.
• 开发和比较多个ML模型:逻辑回归,随机森林 (RF),支持向量机 (SVM),决策树 (DT) 和极端梯度增强 (XGBoost).
• 使用歧视,校准和临床效用指标评估模型性能,并使用SHAP分析进行预测解释.

主要成果:

• 随机森林 (RF) 模型表现出平衡的性能,准确性,可解释性和可靠性.
• 增加的C反应蛋白,增加的白细胞计数和羊水污泥被确定为不良结果的强有力的预测因素.
• 怀孕方法,母体体重和 cerclage 子类型也影响了风险.

结论:

• 射频模型提供了一个临床上有用的框架,用于预测 cerclage 后的早产风险.
• 炎症标志物,母体特征和 cerclage 指示是结果的关键决定因素.
• 开发了一个在线预测工具;需要进一步的多中心前性验证.