基于机器学习的预测算法自发早产使用多源数据自发早产
Chao Xiong1, Xiya Qin1, Luli Xu1
1Wuhan Children's Hospital (Wuhan Maternal and Child Healthcare Hospital), Tongji Medical College, Huazhong University of Science and Technology, Wuhan, 430016, China.
BMC pregnancy and childbirth
|December 3, 2025
概括
机器学习模型使用电子健康记录和环境数据准确预测自发早产 (sPTB). 关键预测因素包括乙氨基基,白蛋白和空气污染,使得早期干预能够改善新生儿的结果.
科学领域:
- 产科和妇科 产科和妇科
- 在医疗保健中的数据科学.
- 环境健康 环境健康
背景情况:
- 自发早产 (spontaneous preterm birth,sPTB) 的病因不明,新生儿存在重大风险.
- 早期预测sPTB对于及时干预和改善结果至关重要.
- 这项研究将电子健康记录 (EHR) 和环境因素用于sPTB预测.
研究的目的:
- 构建和评估用于预测自发早产 (sPTB) 的机器学习 (ML) 模型.
- 通过整合多来源数据来确定sPTB的关键预测因素.
- 评估ML模型在sPTB预测中的临床实用性.
主要方法:
- 进行了54,132个单独怀孕的回顾性队列研究.
- 收集了包括EHR,空气污染,气象和绿色因素在内的多来源数据 (82个预测因素).
- 使用极端梯度增强 (XGBoost),随机森林 (RF),支向量机 (SVM) 和后勤回归 (LR) 模型,其性能由AUROC和AUPRC评估. 使用SHAP值来确定特征的重要性.
主要成果:
- 该XGBoost模型实现了最高的性能,AUROC为0.926和AUPRC为0.502.
- 确定的显著预测因素包括乙酸细胞百分比,白蛋白,尿酸,羊水口袋和二氧化硫暴露.
- 该研究强调了整合临床和环境数据的预测能力.
结论:
- 结合EHR数据,环境因素和ML方法,可以进行非常准确的sPTB预测.
- 开发的模型表明sPTB具有强大的歧视力.
- 需要进一步细化,以提高临床应用的预测精度.
