使用机器学习来预测肩膀dystocia的产前预测

科学领域:

• 产科和妇科 产科和妇科
• 医疗保健中的机器学习
• 围产儿医学 围产儿医学

背景情况:

• 肩膀缩 (SD) 是一个重要的产科紧急情况,不可预测的发生.
• 准确预测SD对于明智的分娩管理和减少新生儿发病率至关重要.
• 目前的SD风险评估方法存在局限性.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测肩膀缩.
• 使用ML算法识别SD的关键预测因素.
• 评估ML模型在临床环境中的性能.

主要方法:

• 在过去10年中,对单期阴道分娩的回顾性分析.
• 选择了11个母亲和胎儿特征用于模型开发.
• CatBoost模型使用70:30数据分割和交叉验证进行训练和验证,以AUC作为主要性能指标.

主要成果:

• 在0.18%的分娩中发生了肩膀缩 (94/51,628).
• 预测因素包括更高的母亲BMI,更矮的身材,糖尿病和出生体重增加.
• CatBoost模型实现了0.83的AUC,超声波EFW (55.6%) 和母体BMI (20.1%) 是最重要的预测因素.

结论:

• 一个机器学习模型,特别是CatBoost,在预测肩膀缩症方面表现出强的表现.
• 该模型的高AUC (0.83) 表明其在临床决策中的潜在实用性,用于分娩计划.
• 像EFW和母体BMI这样的关键特征对于SD预测至关重要,为风险评估提供数据驱动的方法.