根据美国心脏协会的指导方针,第一季度的机器学习可以预测正常压力的怀孕中的孕前症

科学领域:

• 产科和妇科 产科和妇科
• 怀孕期间的心血管健康
• 计算医学是一种计算医学.

背景情况:

• 孕前是导致孕产妇和胎儿发病的主要原因.
• 目前的第一季度血压指南可能无法充分识别所有有风险的个体.
• 早期识别高风险妊娠对于及时干预至关重要.

研究的目的:

• 调查无监督机器学习在识别独特的血液动力学现象型中的实用性.
• 为了确定这些表型是否预测了正常第一季度血压的个体的孕前风险.
• 评估已识别的子组与妊娠高血压障碍和妊娠年龄较小的新生儿之间的关联.

主要方法:

• 一个前性队列研究的二次分析.
• 在患有美国心脏协会 (AHA) 定义的正常血压的个体中,应用k-means聚类到第一季度的缩,腹缩和平均动脉压.
• 排除具有先前存在的慢性高血压或重大胎儿/胎盘异常的参与者.

主要成果:

• 机器学习在正常压力组中发现了一个高风险集群 (7.4%).
• 高风险群体呈现出明显更高的孕前率 (25.0%对3.1%) 和妊娠高血压障碍 (28.6%对5.7%).
• 经过调整后的分析显示,高风险集群中,孕前的危险增加了8倍,孕期新生儿的风险增加了8倍.

结论:

• 无监督的聚类可以确定一个子组,正常的第一季度血压显著增加了孕前的风险和小的孕期年龄.
• 传统的血压值可能低估了早期血管风险.
• 机器学习提供了一个有前途的方法来提高怀孕中的风险分层.