使用胎儿心率和机器学习识别高风险的早产妊娠
Gabriel Davis Jones1, William R Cooke1, Manu Vatish2
1Oxford Digital Health Labs, Nuffield Department of Women's & Reproductive Health, University of Oxford, Oxford OX3 9DU, UK.
Bioengineering (Basel, Switzerland)
|February 27, 2026
概括
机器学习准确地预测了使用胎儿心率 (FHR) 监测在早产期怀孕的不良妊娠结果. 这种数据驱动的方法改善了风险分层,可能防止死产和胎儿妥协.
科学领域:
- 围产儿医学 围产儿医学
- 医疗保健中的人工智能
- 计算生物学 计算生物学
背景情况:
- 目前对产前胎儿心率 (FHR) 监测的解释对不良妊娠结果的预测能力有限.
- 过早怀孕面临死胎和严重胎儿损害的高风险,需要改善早期风险识别.
- 早期识别高风险怀孕可能使得及时干预,如催产素过早分娩,以防止胎儿死亡.
研究的目的:
- 开发和验证一种机器学习模型,使用产前FHR记录准确地对早产孕的风险分层进行准确的分层.
- 与传统解释方法相比,评估模型在预测不良妊娠结果方面的表现.
- 评估数据驱动的FHR解释方法的临床实用性,特别是在资源有限的环境中.
主要方法:
- 分析了4867个产前FHR记录,这些记录来自于有不良结果的早产妊娠和4014个未经并发症的对照.
- 从每个记录中提取了七个临床验证的FHR特征.
- 训练和验证六个机器学习分类器,包括一个随机森林模型,在一个大数据集使用k-fold交叉验证.
主要成果:
- 随机森林模型在训练期间达到0.88的接收器操作特征曲线 (AUC) 下的面积,在验证时达到0.88的面积.
- 该模型表现出良好的校准 (布赖尔评分0.14) 和各种不良结果的中位数AUC为0.85.
- 在尤登值时,灵敏度和特异性分别为76.2%和87.5%,决策曲线分析显示临床净益.
结论:
- 对产前FHR记录的数据驱动解释可以准确地分层早产妊娠的风险.
- 这种方法支持早期,基于证据的临床决策,以防止不良妊娠结果.
- 该模型对改善资源有限,缺乏专业专业知识的环境中的护理特别有希望.
