编辑推荐：
为解决高危妊娠早期精准识别难题，研究人员基于孟加拉国孕产妇健康风险数据集（MHRD），运用多层感知器（MLP）等六种机器学习算法开展高危妊娠预测研究。结果显示 MLP 模型性能卓越，预测准确率达 82% ，高危预测准确率达 91%。该研究助力优化妊娠风险管理112。
在孕育新生命的旅程中，并非总是一帆风顺，高危妊娠如同潜藏在孕期的 “暗礁”，给孕妇、胎儿和新生儿的生命安全带来巨大威胁。近年来，随着社会发展、生育政策调整以及辅助生殖技术的普及，高危妊娠的发生率呈上升趋势。以中国为例，这一情况不仅增加了母婴的发病率和死亡率，还可能引发孕妇的心理问题，如压力、抑郁和焦虑。然而，传统的风险评估方法存在工作量大、效率低的问题，而初级护理人员由于缺乏专业知识和评估技能，也可能影响妊娠风险分层的准确性。因此，寻找一种高效、精准的高危妊娠预测方法迫在眉睫
2913。
为了攻克这一难题，山东第一医科大学（山东省医学科学院）护理学院以及山东第一医科大学第一附属医院（山东省千佛山医院）妇产科的研究人员展开了深入研究。他们利用孟加拉国医疗机构的开源孕产妇健康风险数据集（MHRD），涵盖多家医院、社区诊所和孕产妇保健中心中 1014 名孕妇的健康数据 ，运用六种机器学习算法 —— 多层感知器（MLP）、逻辑回归（LR）、决策树（DT）、随机森林（RF）、极端梯度提升（XGBoost）和支持向量机（SVM）构建预测模型。研究发现，MLP 模型表现最为出色，整体预测准确率高达 82%，对高危妊娠的预测准确率更是达到 91%，并且在 NVIDIA GPU RTX3050Ti 的计算支持下，该模型每秒能预测处理 500 组数据。这一研究成果发表在《Scientific Reports》上，为高危妊娠的预测和管理提供了强有力的支持，有望优化妊娠风险管理，保障母婴健康112。
在研究方法上，研究人员首先对数据进行了清洗和预处理，剔除了 10 - 18 岁孕妇的数据以确保数据集的临床有效性，并将风险水平分为低、中、高三类。之后，他们将数据集按照 8:2 的比例随机划分为训练集和测试集。为防止 MLP 模型过拟合，采用了提前停止（early stopping）策略 。在构建 MLP 模型时，设置了三个隐藏层，分别包含 256、128 和 64 个神经元，隐藏层使用 ReLU 激活函数，输出层采用 SoftMax 函数。此外，还运用了 SMOTE 算法解决类别不平衡问题 。最后，通过混淆矩阵和受试者工作特征曲线（ROC）评估模型的预测性能345。
下面来看具体的研究结果：
- 模型性能对比：与其他五种算法相比，MLP 模型在预测高危妊娠方面表现更优。其中，LR 算法的性能最低，准确率为 0.61，精度为 0.59；RF 算法性能较高，准确率为 0.78，精度为 0.79；而 MLP 模型准确率达到 0.81，精度为 0.826。
- 不同风险类别预测表现：MLP 模型在不同风险类别中的预测表现良好，尤其是在高危类别中，准确率、召回率和 F1 分数均达到 0.91。在中危类别中，准确率为 0.80，召回率为 0.83，F1 分数为 0.81；低危类别中，相应分数分别为 0.77、0.73 和 0.75，总体准确率为 0.827。
- 混淆矩阵分析：通过归一化混淆矩阵可知，MLP 模型对高危妊娠的预测准确率高达 91%，低风险误分类率为 2%，中风险误分类率为 7%。低风险预测准确率为 83%，中风险误分类率为 14%；中风险预测准确率为 73%，低风险误分类率为 24%，高风险误分类率为 3% ，表明该模型预测较为可靠8。
- ROC 曲线分析：ROC 曲线分析显示，MLP 模型在预测高危妊娠风险水平时，AUC 值达到 0.99 ，接近完美识别，ROC 曲线靠近左上角，意味着能在极低的假阳性率下获得较高的真阳性率10。
在研究结论与讨论部分，该研究成功开发了基于机器学习的高危妊娠预测模型，通过分析孕妇健康数据，可准确评估妊娠风险水平，预测准确率高且速度快。这不仅提高了妊娠风险评估效率，还减轻了医务人员的工作量和医疗资源需求，展示了利用先进技术优化妊娠风险管理的巨大潜力。同时，该模型作为重要的临床决策支持工具，能帮助医护人员提前采取干预措施，降低母婴并发症风险。然而，研究也存在一定的局限性，如数据来源主要是孟加拉国的医疗机构，可能存在地域局限性，未来研究可进一步扩大数据集范围，以提高模型的普适性。总体而言，这项研究为高危妊娠的预测和管理开辟了新的道路，具有重要的临床应用价值和研究意义1112。
