基于可解释机器学习模型的剖宫产后阴道分娩成功率预测研究

这篇研究通过机器学习（ML）算法开发了剖宫产后阴道分娩（VBAC）的预测模型，采用CatBoost算法构建的模型展现出最佳性能（AUC=0.767），并通过SHAP（Shapley Additive exPlanations）方法实现模型可解释性，揭示宫颈Bishop评分和妊娠间隔期（IPI）为关键影响因素，为临床个体化决策提供新工具。

　　

研究背景与意义

剖宫产后阴道分娩（VBAC）因其缩短住院时间、降低医疗费用等优势被列为产科指南推荐方案，但传统逻辑回归（LR）模型存在线性假设局限。机器学习（ML）技术凭借处理非线性关系和高维数据的能力，为VBAC预测带来突破可能。本研究基于中国广东两家三甲医院2438例剖宫产后试产（TOLAC）数据，开发可解释ML模型，旨在提升预测精度并揭示关键临床因素。

研究方法

数据来源与处理

回顾性纳入2012-2022年东莞医院（训练集/内部验证集）和2011-2017年深圳医院（外部验证集）的病例。纳入标准包括单胎头位、孕周<41周、既往1次子宫下段剖宫产史。通过中位数填补缺失值，对17项临床变量（如年龄、BMI、宫颈Bishop评分等）进行标准化编码。

模型构建与评估

比较7种算法性能：CatBoost、XGBoost、LightGBM、随机森林（RF）、支持向量机（SVM）、AdaBoost和传统LR。采用五折交叉验证，以受试者工作特征曲线下面积（AUC）和准确率为主要指标，通过PyCaret库优化超参数。SHAP方法用于可视化特征贡献度。

研究结果

模型性能

CatBoost模型在内部验证集中表现最优（AUC=0.767，95%CI:0.685–0.865），灵敏度达0.714，特异性0.639。外部验证AUC为0.707，证实模型泛化能力。简化模型（仅保留5个关键变量）仍保持AUC=0.758。

关键预测因素

SHAP分析显示：

1. 1.

   宫颈Bishop评分：最高贡献因子，评分越高VBAC成功率越大（如评分≥5时成功率达88.11%）

2. 2.

   妊娠间隔期（IPI）：短间隔（如<2年）显著提升成功率，与子宫瘢痕弹性恢复相关

3. 3.

   入院BMI：超重（BMI>30）降低VBAC可能性

4. 4.

   教育水平：大学学历者倾向选择重复剖宫产，可能与风险认知差异有关

5. 5.

   胎儿估计体重（EFW）：>4000g时阴道分娩难度增加

个案解读示例

• •

  病例A（BMI=27.1，Bishop评分3，IPI=6年）：VBAC预测概率30.5%，推荐剖宫产

• •

  病例B（BMI=26.9，Bishop评分3，IPI=2年）：VBAC概率63.3%，推荐阴道试产

讨论与创新

技术优势

CatBoost通过自动处理分类变量和缺失值，克服了LR模型在特征工程上的局限。SHAP的可视化输出（如摘要图、决策图）使"黑箱"模型具临床可解释性，如红色/蓝色点分别显示特征对剖宫产决策的正/负向影响。

临床启示

研究发现东莞队列的VBAC成功率（82.68%）低于深圳（88.11%），可能与深圳队列更短的IPI（5年vs.7年）和更高Bishop评分（5vs.4）有关。建议对BMI>30、IPI>5年且Bishop评分<4的孕妇加强产前咨询。

局限性

1. 1.

   数据仅来自广东地区，存在人口结构偏倚

2. 2.

   未纳入超声测量参数（如耻骨下角）

3. 3.

   未探索神经网络等其他ML算法

结论

CatBoost模型为VBAC预测提供了优于传统LR的解决方案，其SHAP驱动的可解释性有助于医患共同决策。未来需扩大样本量和变量维度以进一步提升模型鲁棒性。