早期预测非常和极端早产使用一个类别分类框架在电子健康记录在阿联的早期预测

科学领域:

• 孕产妇和胎儿的医学
• 机器学习在医疗保健中的应用
• 计算统计的计算统计.

背景情况:

• 非常早产 (vPTB) 和极度早产 (xPTB) 是母亲和儿童健康的关键问题,与显著的发病率和死亡率有关.
• 传统的机器学习用于早产预测面临挑战,原因是数据集不平衡和少数阶级样本有限.
• 现有的数据平衡技术在处理小少数群体时,往往会产生不一致的结果.

研究的目的:

• 开发和评估一种新的一类分类 (OCC) 方法,用于预测在阿联怀孕人口中的vPTB和xPTB.
• 评估OCC算法和组合的有效性,仅使用多数类数据用于早期风险识别.
• 为了研究研究群体内的双和无双子组的表现.

主要方法:

• 利用对阿联人口的怀孕第一季度的精选数据集.
• 采用多个单类分类算法和组合方法,使用各种聚合策略.
• 训练模型仅使用多数类数据 (正常怀孕),避免对少数类 (vPTB/xPTB) 进行明确的建模.

主要成果:

• 在帕鲁斯人群中达到0.823的最大AUC-ROC,显示出有希望的预测性能.
• 该OCC方法在识别患有vPTB和xPTB风险的怀孕方面表现出强度和有效性.
• 该方法成功地预测了高风险的怀孕,而不需要在培训期间对早产病例的明确数据.

结论:

• 一类分类提供了一个可行的框架,以合理的准确性预测vPTB和xPTB.
• 拟议的OCC方法,仅对正常病例进行培训,可以有效地识别高风险怀孕.
• 需要进一步的研究来概括这种方法,通过对来自不同国际人口的数据集进行测试来进行测试.