基于超声血流参数的胎儿生长受限辅助诊断预测模型构建及机器学习算法的筛选
刘冰冰1
朱好辉1
王睿丽2
高园2
张小林2
陈娟2
陈新3
1.新乡医学院,河南新乡 453003;河南省人民医院超声科,河南郑州 4500032.河南省人民医院超声科,河南郑州 4500033.河南省人民医院遗传所,河南郑州 450003
摘要：目的 应用机器学习算法基于超声血流参数构建胎儿生长受限(FGR)辅助诊断预测模型,比较不同预测模型的预测效能.方法 本研究纳入2021年1月至2023年12月河南省人民医院收治的88例单胎且出生后确诊为FGR的孕妇资料(FGR组),并以河南省人民医分娩的88例非FGR孕妇作为对照(非FGR组).本研究应用单因素和多因素logistic回归分析法筛选影响FGR的危险因素,并运用R软件构建支持向量机预测模型、随机森林预测模型及logistic回归预测模型.绘制3种预测模型的受试者工作特征曲线,比较不同模型预测FGR的效能,以确定最优的预测工具.结果 FGR组、非FGR组分娩孕周、大脑中动脉搏动指数(MCAPI)、脐动脉搏动指数(UAPI)、静脉导管搏动指数(DVPI)、脑胎盘比(CPR)差异有统计学意义(P＜0.05),年龄、产妇类型、体重指数、新生儿性别差异无统计学意义(P＞0.05).logistic回归分析结果显示,分娩孕周、DVPI、CPR是影响FGR的危险因素(P＜0.05).基于影响FGR的3个危险因素分别构建logistic回归预测模型、支持向量机预测模型、随机森林预测模型,结果显示,随机森林预测模型的曲线表现最优,其曲线下面积为0.986(95％CI:0.975～0.997).结论 分娩孕周、DVPI、CPR均为影响FGR的危险因素,机器学习算法中随机森林预测模型预测FGR的效能最好.
关键词：胎儿生长受限多普勒超声血流参数机器学习算法预测价值
分类号：R445.1(诊断学)
资助基金：国家卫生健康委出生缺陷预防重点实验室开放课题(ZD202307)
论文发表日期：2024-11-15
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：4( 3868-3871 )
英文信息