この研究では、本病院の妊婦 3,082 名と城西分院の妊婦 864 名から検査データを収集しました。 5 つのアルゴリズムを利用して、妊娠中の sPTB の予測モデルを確立しました。XGBoost モデルは、他のモデルと比較して全体的な予測性能が優れていることを示しました。我々は、ALP、-、ALB、HCT、TC、DBP、ALT、PLT、身長、およびSBPがsPTBの主要な影響因子であることを特定しました。
この研究では、数値実験結果により、評価された 44 の指標のうち、ALP、-、ALB、HCT、TC を含む 24 の指標が 2 つのグループ間で統計的に有意な差を示したことが示されました。さらに、相関係数が 0.9 を超える指標を除いたこれら 24 の指標について共線性分析を実施し、5 つのモデル (Adaboost、XGBoost、RF、LR、GB) を確立しました。その中で、XGBoost モデルが最適なパフォーマンス (AUC = 0.89) を示しました。
近年、人工知能技術の急速な進歩に伴い、機械学習アルゴリズムはさまざまな医療診断分野で広く応用されています。 [30, 31]。 XGBoost アルゴリズムは研究者から大きな注目を集めており、心臓病の予測や分類など、さまざまな病気の予測に広く採用されています。 [32]、乳がん診断モデルの開発 [33]、および結腸直腸がん患者の死亡に関連する要因の分析 [34]。 XGBoost アルゴリズムは、勾配ブースト デシジョン ツリーに基づく高度な機械学習技術であり、その卓越した効率、柔軟性、拡張性で知られています。広範なデータセットと機能を活用することで、病気の進行とそれらの潜在的な相互作用に影響を与えるさまざまな危険因子を効果的に捉える高度な非線形モデルを構築します。これにより、XGBoost は大規模データを分析し、病気のリスクを予測するための強力なツールになります。
要約すると、ALP、-、ALB などの検査パラメータと高度な機械学習技術を組み合わせることで、sPTB を予測するための強力なアプローチが得られます。したがって、私たちの結果は、XGBoost アルゴリズムを現在の臨床ワークフローに組み込むことを推奨しています。ただし、臨床現場では他の臨床データや超音波データと組み合わせて解釈する必要があることを強調します。この総合的なアプローチにより、モデルの精度と信頼性が向上します。
制限事項
私たちの研究は、sPTB の予測に関して貴重な洞察を提供しましたが、それには一定の限界があります。第一に、研究で使用されたデータは単一の病院から得られたものであるため、結果の一般化可能性に影響を与える可能性があります。第二に、胎児の健康状態と早産のリスクを評価する上で、超音波検査の結果、特に子宮頸管長の測定の重要性を認識しています。ただし、リソースとデータの利用可能性に制限があるため、この研究にはそのような超音波画像データは含まれておらず、これは顕著な制約となっています。この問題に対処するために、当社は厳格な包含基準と除外基準、標準化されたデータ収集手順、および統一された分析方法を導入して、研究結果の品質と信頼性を確保しました。私たちは、さまざまな医療現場における患者集団や臨床実践の違いを考慮して、さまざまな病院からデータを収集し、将来的には複数の施設に研究を拡大する予定です。同時に、将来の研究ではより多様な医療情報をモデルに追加し、それによってモデルの有効性を高める予定です。
さらに、この研究は主に遡及分析に基づいているため、バイアスが生じる可能性があります。したがって、将来の研究では、結果の普遍的な適用性を確保するために、サンプルサイズの増加と前向き研究方法論の採用を通じて、私たちの発見を検証することを目指す必要があります。私たちの研究コホートは比較的均一です。したがって、その後の研究はさまざまな地域にわたって実施され、リアルタイムでデータを収集し、民族、病歴、社会経済的状態などの潜在的な交絡因子を考慮して、偏見のリスクを最小限に抑え、予測モデルのパフォーマンスをより正確に評価する必要があります。
データ収集段階では、正常な対照群の一貫性と比較可能性を確保するために、貧血、子宮瘢痕、羊水過少などの合併症のある患者を除外して、合併症のない妊娠を持つ患者の均質なコホートを確立しました。我々は、この除外基準が我々の研究結果の一般化可能性に一定の制限を課す可能性があることを認識しています。
#母体のバイオインフォマティクスに基づく自然早産リスク予測アルゴリズムの開発と検証 #単一施設の後ろ向き研究 #BMCの妊娠と出産