基于机器学习（ML）的APGAR评分低风险因素识别研究：提升新生儿健康预测与临床干预策略

为解决新生儿APGAR评分（Appearance, Pulse, Grimace, Activity, Respiration）低风险因素识别难题，苏丹Wad Medani医院的研究团队通过机器学习（ML）模型（如随机森林RF）分析母婴及围产期数据，发现出生体重、孕周、BMI及分娩方式为关键预测因子。模型准确率达96%，F1分数97%，为临床决策提供精准工具，推动针对性产前干预。

　　

新生儿健康评估中，APGAR评分是衡量婴儿出生后生理状态的核心指标，但低分（<7分）与长期神经发育障碍和死亡率显著相关。传统统计方法难以处理多因素交互作用，而机器学习（ML）在复杂医学数据中的潜力尚未充分挖掘。苏丹Wad Medani妇产医院的研究团队通过ML模型系统分析母婴特征，旨在建立可解释的预测框架，填补临床决策支持工具的空白。

研究团队采用横断面设计，收集2023年10-12月该院单胎分娩数据（排除先天畸形病例），通过问卷获取人口统计学、产科史等特征。应用8种ML算法（包括逻辑回归LR、支持向量机SVM、随机森林RF等），经网格搜索优化超参数，并采用SHAP值解析特征重要性。关键创新在于结合5折交叉验证（CV）和临床可解释性分析，确保模型稳健性。

模型性能比较
随机森林（RF）表现最优，测试集准确率96%，AUC（曲线下面积）达0.99，显著优于K近邻（KNN，AUC 0.54）等模型。线性SVM紧随其后（AUC 0.99），而多层感知机（MLP）因数据量限制表现中等（AUC 0.75）。

特征重要性分析
SHAP图显示，新生儿出生体重（birth_weight_of_newborn）、母体BMI（BMI）和分娩方式（mode_delivery_final）贡献度最高。低出生体重（<2,500克）与APGAR低分强相关，而剖宫产较阴道分娩风险更高。孕周（gestational_age_in_weeks）和产次（parity）为次要因素。

临床验证
混淆矩阵显示，RF对正常APGAR（0类）的召回率（Recall）达96%，但对低分（1类）的精确度（Precision）降至72%，反映少数类样本的识别挑战。

该研究证实ML可高效整合多维度临床数据，RF模型在资源有限地区尤其适用。出生体重与分娩方式等可干预因素的识别，为产前监测提供重点方向。未来需扩大样本验证泛化性，并探索深度学习（DL）与实时生理数据融合。论文发表于《BMC Pregnancy and Childbirth》，为产科AI应用树立方法论标杆。