胎儿生长受限评估的混合机器学习模型：一项5年的随访研究

摘要

目的 探究列线图、决策树及随机森林3种混合机器学习模型对胎儿生长受限(FGR)的预测价值。方法 回顾性选取2018年1月至2022年12月南宁市红十字会医院行定期产检并分娩合并FGR孕妇111例，另选取本院同期未合并FGR孕妇87例。收集所有孕妇的临床资料、彩色多普勒超声指标、实验室检查指标、胎儿情况。采用多因素Logistic回归分析孕妇合并FGR的影响因素；以独立影响因素作为预测变量，构建列线图、决策树及随机森林3种预测模型，采用准确度、灵敏度、特异度、精确度、召回率、F1值及受试者工作特征(ROC)曲线评价模型的预测性能。结果 多因素Logistic回归分析结果显示：未规律补充叶酸、妊娠期高血压疾病(HDP)、大脑中动脉阻力指数(RI)(截断值0.86)、低空腹静脉血管内皮生长因子(VEGF)(截断值49.85ng/mL)及低脐带静脉血VEGF(截断值67.10ng/mL)是孕妇FGR发生的独立影响因素(OR值介于0.013～57.563之间，P<0.05)。基于独立危险因素分别构建三种模型的曲线下面积(AUC)、灵敏度、特异度，列线图模型为0.903(0.823～0.982)、0.925、0.750;决策树模型为0.894(0.809～0.979)、0.875、0.850;随机森林模型为0.968(0.931～1.000)、0.875、0.950。随机森林模型预测的AUC值高于决策树模型(Z=-2.582,P<0.05)。结论 列线图、决策树及随机森林预测模型对FGR的预测结果均具有较高的区分度，其中随机森林模型预测孕妇并发FGR的效果优于决策树模型，随机森林模型与列线图模型的预测效能无显著差异，两者可相互补充应用。

关键词

胎儿生长受限 / 影响因素 / 列线图 / 决策树 / 随机森林 / 预测

基金资助

广西壮族自治区卫生健康委员会自筹经费科研课题(Z20201197)