用于理解母婴结局风险因素的可解释预测模型
机器学习
2023-10-18 v1
摘要
尽管大多数妊娠结局良好，但并发症并不少见，且可能对母亲和婴儿造成严重后果。预测建模有潜力通过更好地理解风险因素、加强对高危患者的监测以及更及时适当的干预来改善结局，从而帮助产科医生提供更好的照护。我们识别并研究了四类妊娠并发症的最重要风险因素：（i）严重孕产妇发病，（ii）肩难产，（iii）早产先兆子痫，以及（iv）产前死胎。我们使用可解释提升机（EBM），一种高精度的玻璃盒学习方法，进行预测并识别重要风险因素。我们进行了外部验证并对 EBM 模型做了广泛的稳健性分析。EBM 与其他黑盒 ML 方法（如深度神经网络和随机森林）精度相当，且优于逻辑回归，同时更具可解释性。EBM 被证明是稳健的。EBM 模型的可解释性揭示了有助于风险的特征的令人惊讶的见解（例如母亲身高是肩难产的第二重要特征），并可能在妊娠严重并发症的预测与预防中具有临床应用潜力。
引用
@article{arxiv.2310.10203,
title = {Interpretable Predictive Models to Understand Risk Factors for Maternal and Fetal Outcomes},
author = {Tomas M. Bosschieter and Zifei Xu and Hui Lan and Benjamin J. Lengerich and Harsha Nori and Ian Painter and Vivienne Souter and Rich Caruana},
journal= {arXiv preprint arXiv:2310.10203},
year = {2023}
}
备注
25 pages (including appendix and references), 12 figures, 2 tables. J Healthc Inform Res (2023)