利用田口优化机器学习方法和基于TOPSIS的模型选择进行高风险妊娠预测

《Scientific Reports》：High-risk pregnancy prediction using Taguchi-optimized machine learning methods and TOPSIS-based model selection

　　

摘要

高风险妊娠对母婴医疗保健构成了重大挑战，这类妊娠是指由于医疗、社会或产科因素威胁到母亲或胎儿的健康。传统的临床工具往往忽视了个体的复杂性，导致识别延迟，尤其是在资源有限、死亡率较高的环境中。本研究通过利用伊朗一家医院（2014–2016年）62名孕妇的数据，开发了用于预测高风险妊娠的机器学习（ML）模型，以弥补这些不足。特征被分为人口统计学特征、妊娠相关特征以及完整病例特征（所有特征）。使用田口方法对数据进行了预处理、特征选择和超参数优化。训练并评估了五种监督学习模型：K-最近邻（KNN）、随机森林（RF）、决策树（DT）、支持向量机（SVM）和多层感知器（MLP），并采用了多种性能和统计标准进行评估。该研究提出了一个综合框架，结合了特征组比较、基于田口方法的优化以及基于TOPSIS的多标准模型排序，以支持模型的平衡选择。利用来自伊朗的实际医院数据，该模型能够共同预测主要的高风险妊娠情况，包括宫内胎儿死亡（IUFD）、宫内生长受限（IUGR）和早产。结果显示，妊娠相关特征是更强的预测因子，其中KNN在该类别中的准确率达到88%，召回率也很高。TOPSIS评估结果显示，SVM在人口统计学特征方面表现最佳，KNN在妊娠相关特征方面表现最佳，而MLP在完整病例特征方面表现最佳。这一框架有助于临床医生和母婴健康中心更早地识别和优先处理高风险妊娠。