机器学习模型的开发,以预测在分娩止痛期间与外周管相关的产妇发烧:一个多算法比较研究与前性实施框架
Guoxiu Zhang1, Yihui Yang2, Rugang An2
1Department of Critical Care Medicine, Zunyi First People's Hospital (Third Affiliated Hospital of Zunyi Medical College), Zunyi, 563000, People's Republic of China.
International journal of women's health
|December 22, 2025
概括
一个新的机器学习模型准确地预测了患上外周膜相关产妇发烧 (ERMF) 的风险,这是一个常见的分娩并发症. 该工具有助于临床医生识别高风险患者,以更好地管理产妇热.
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:
- 在分娩期间,外周止痛是常见的.
- 腹膜外接相关的孕产妇发烧 (ERMF) 是一个常见的并发症.
- 需要准确预测ERMF风险,以改善患者管理.
研究的目的:
- 开发和验证用于预测ERMF风险的机器学习 (ML) 模型.
- 确定ERMF的关键预测因素.
- 创建一个实时临床风险评估工具.
主要方法:
- 对422名分娩妇女进行前性队列研究,这些妇女接受了外周产痛止痛.
- 训练并验证了11个ML算法.
- 使用AUC,AUPRC,准确度,精度,回忆和F1评分来评估性能.
- 沙普利添加物扩展 (SHAP) 用于特征的重要性.
主要成果:
- 欧洲货币基金组织的发病率为28.1%.
- CatBoost算法获得了最高的性能 (AUC=0.94).
- 关键预测因素包括长时间的膜破裂,更高的BMI和零平度.
- 开发了一个交互式网络工具.
结论:
- 为ERMF风险预测开发了一个高度歧视的ML模型.
- CatBoost模型有效地识别了高风险的分娩者.
- 该工具支持基于证据的产后发烧管理.


