基于机器学习法构建不同类型前置胎盘产妇剖宫产产后大出血预警模型
林朝英
赣州市妇幼保健院,江西 赣州 341000
摘要：目的:基于机器学习法构建预警模型,以评估不同类型前置胎盘产妇剖宫产产后大出血的风险.方法:选择2022年1月1日-2023年11月30日赣州市妇幼保健院产科收治的不同类型前置胎盘产妇77例为训练集,根据其产后是否大出血分为无产后大出血组和产后大出血组.另按照训练集与验证集7∶3的比例,选择2023年12月1日-2024年10月1日收治的不同类型前置胎盘产妇33例为验证集.收集患者相关资料,通过单因素分析及多因素逻辑(Logistic)回归分析确定独立预测因素,分别构建出Logistic、决策树(DT)模型及反向传播神经网络(BPNN)模型.采用受试者工作特征(ROC)曲线下面积(AUC)、混淆矩阵相关指标(准确率、精确率、召回率、F1分数)来评估这三个模型的预测效能,并进行外部验证.结果:通过单因素分析和多因素Logistic回归分析,筛选出8个产后大出血的独立预测因素,分别为孕产次、人工流产史、妊娠期代谢性疾病、宫腔镜手术史、瘢痕子宫、胎盘植入、胎盘粘连、前置胎盘类型.BPNN模型在训练集和验证集的AUC(0.902,0.892)均优于Logistic及DT模型(0.833,0.820及0.884,0.852).BPNN模型在训练集和验证集的混淆矩阵相关指标均优于Logistic及DT模型.BPNN模型中,前置胎盘产妇剖宫产产后大出血的独立影响因素重要性排序为:前置胎盘类型＞胎盘植入＞胎盘粘连＞瘢痕子宫＞妊娠期代谢性疾病＞孕产次＞宫腔镜手术史＞人工流产史.结论:BPNN模型较Logistic及DT模型,在预测前置胎盘产妇剖宫产产后大出血方面具有更好的效能,能够为患者提供更好的风险评估,从而有效指导临床决策.
关键词：前置胎盘产妇剖宫产产后大出血机器学习预警模型
分类号：R714.461(产科学)
资助基金：江西省卫生健康委员会科技计划项目(202410828)
论文发表日期：2025-11-10
在线出版日期：2025-11-25（本平台首次上网日期，不代表文献的发表时间）
页数：7( 808-814 )
英文信息