可解释机器学习模型的比较,使用系统性炎症指数来预测妊娠糖尿病中早产

科学领域:

• 产科和妇科 产科和妇科
• 医疗信息学 医疗信息学
• 炎症研究 炎症研究

背景情况:

• 孕期糖尿病 (GDM) 显著增加了早产风险,需要改进预测模型.
• 目前的GDM相关早产预测方法由于排除关键炎症生物标志物而具有有限的准确性.
• 机器学习 (ML) 提供了先进的模式识别,但在预测GDM怀孕中早产时未得到充分利用.

研究的目的:

• 开发一种可解释的ML模型,用于预测GDM患者的早产.
• 将系统性炎症指数与传统的临床标志物相结合,以提高预测准确度.
• 为及时进行临床干预,在GDM诊断时实现早期风险分层.

主要方法:

• 对389名GDM患者的回顾性分析,分为培训 (n=272) 和外部验证 (n=117) 队列.
• 使用系统性炎症指数,临床指标和综合特征开发和验证ML模型.
• 应用沙普利添加式解释 (SHAP) 用于特征解释和对强度的敏感性分析.

主要成果:

• 该研究确定了七个重要的预测因素,结合了全身炎症标志物和临床参数.
• 与其他算法相比,一个极端梯度增强 (XGBoost) 模型显示出优异的预测性能 (AUC-ROC: 0.932,AUC-PRC: 0.754).
• SHAP分析强调了两个临床和三个炎症标志物作为早产最有影响力的预测因素.

结论:

• 开发的XGBoost模型通过整合临床和炎症标志物,有效地预测GDM中早产.
• 这种方法可以进行精确的风险评估,指导临床管理,并改善高风险GDM怀孕的结果.