利用埃塞俄比亚PMA数据中的临床指标来预测产后惊厥的机器学习模型

《Scientific Reports》：Machine learning models for predicting postpartum convulsions using clinical indicators from PMA Ethiopia data

　　

摘要

产后惊厥是指分娩后产褥期内发生的癫痫发作，仍然是埃塞俄比亚孕产妇发病率和死亡率的主要原因之一。本研究旨在利用埃塞俄比亚“Performance Monitoring for Action”（PMA）数据集中的临床指标，开发和验证用于预测产后惊厥的机器学习模型。研究共开发并评估了八种机器学习算法。特征选择采用了递归特征消除（RFE）方法，通过上采样技术解决了类别不平衡问题。数据经过预处理后分为训练集（70%）和测试集（30%）。模型性能通过准确率、敏感性、特异性以及接收者操作特征曲线下面积（AUC）进行评估。模型可解释性通过Shapley加性解释（SHAP）方法进行分析。神经网络模型表现出最佳的预测性能（AUC=0.868），其次是支持向量机（AUC=0.833）和随机森林（AUC=0.822）。SHAP分析表明，妊娠期间的偏头痛、惊厥和腹痛是最具影响力的预测因素，其次是产前检查（ANC）的就诊时间、血压和尿液检测结果，以及妊娠相关并发症未得到治疗的情况。机器学习模型，尤其是神经网络，在利用常规收集的临床数据预测产后惊厥方面表现出了良好的性能。使用可解释的人工智能技术有助于识别高风险女性，并支持及时的临床决策，从而可能降低资源匮乏环境中的孕产妇并发症发生率。