.png){kind=icon}
返回
Developing predictive models for full-term low birth weight infants using ten machine learning algorithms
.png){kind=icon}
OA
AI
DOI：10.1186/s12887-025-06186-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目标低出生体重（TLBW）增加了婴儿发生多种健康并发症甚至死亡的风险。通过纳入与母体健康相关的多种围产期因素，我们旨在开发能够提升孕期临床决策能力的预测模型，最终促进母亲和新生儿双方的身心健康。方法：本研究为回顾性研究，研究对象为2019年至2023年间在我院分娩的1,559例单胎足月母亲，其新生儿为TLBW或正常出生体重。研究目标在于识别与母体特征相关的各类围产期因素，这些因素可能促成TLBW婴儿的发生。队列按7:3比例随机分为训练集和测试集。采用Boruta算法、Lasso回归及logistic回归分析来识别影响TLBW的因素，并通过韦恩图进行可视化展示。在筛选出关键影响因素后，采用十种不同的机器学习算法构建预测模型。模型性能通过ROC曲线、校准曲线和DCA曲线进行评估。结果：识别出七项关键特征变量作为机器学习模型的贡献因素：母体高危因素、低BMI、甘油三酯升高、白蛋白水平高、同型半胱氨酸升高、HDL偏低及LDL偏高。这些因素被确认为TLBW婴儿发生的重要风险指标。在测试的十种机器学习算法中，GBM模型展现出卓越的预测性能。采用Shapley Additive Explanations（SHAP）对GBM模型进行解释。此外，成功基于Shiny框架开发了一个用于预测TLBW婴儿风险的网页计算器。结论：我们开发了一个基于机器学习的临床预测模型，用于识别与TLBW相关的风险因素。该模型经过充分验证和评估，能够实现TLBW婴儿的早期准确检测。该工具为临床决策提供了宝贵支持，并优化了母婴护理水平。
Keyword:
Maternity
Infants
Term low birth weight
Machine learning
SHAP
Shiny
期刊
IF:
2
论文数:
985
被引数:
1.4W
机构
暂无机构信息
引用论文
Impact of BMI and smoking in adolescence and at the start of pregnancy on birth weight青少年时期及妊娠开始时的BMI和吸烟对出生体重的影响OAAI
OAAI分享收藏Deep EHR: A Survey of Recent Advances in Deep Learning Techniques for Electronic Health Record (EHR) Analysis深度EHR: 用于电子健康记录 (EHR) 分析的深度学习技术的最新进展综述
OAAI
OAAI分享收藏Biomarkers of Neonatal Sepsis: Where We Are and Where We Are Going新生儿脓毒症的生物标志物：现状与未来方向.png)
ANTIBIOTICS-BASELOAAI
ANTIBIOTICS-BASELIF4.6
OAAI分享收藏Society for Maternal-Fetal Medicine Consult Series #52: Diagnosis and management of fetal growth restriction (Replaces Clinical Guideline Number 3, April 2012)母胎医学学会咨询系列 #52: 胎儿生长受限的诊断和管理 (代替2012年4月第3号临床指南)OAAI
OAAI分享收藏
查看更多内容