
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于孕早期至孕中期常规临床指标的梯度提升机模型预测低出生体重风险的开发与验证
《BMC Medical Informatics and Decision Making》:A machine learning-based clinical decision support tool for predicting low birth weight: a retrospective cohort study
【字体: 大 中 小 】 时间:2026年10月14日 来源:BMC Medical Informatics and Decision Making 5.5
编辑推荐:
摘要背景与目的低出生体重(LBW)是重要的新生儿不良结局之一,也是公共卫生问题。本研究旨在利用孕早期和孕中期的常规临床指标,基于机器学习算法开发和验证低出生体重风险预测模型。方法本单中心回顾性队列研究纳入了乌鲁木齐某三级医院4,498例单胎孕妇(2014年2月至2024年12
低出生体重(LBW)是重要的新生儿不良结局之一,也是公共卫生问题。本研究旨在利用孕早期和孕中期的常规临床指标,基于机器学习算法开发和验证低出生体重风险预测模型。
本单中心回顾性队列研究纳入了乌鲁木齐某三级医院4,498例单胎孕妇(2014年2月至2024年12月),其中579例(12.9%)为低出生体重。数据集通过分层抽样随机分为训练集(70%)和测试集(30%)。经LASSO回归进行变量筛选后,分别构建了五个模型——逻辑回归、随机森林、XGBoost、梯度提升机(GBM)和神经网络——并进行比较。模型性能通过ROC曲线下面积(AUC)、校准曲线、决策曲线分析(DCA)及额外指标(包括PR-AUC和Brier评分)进行评估。采用Bootstrap乐观校正进行内部验证。
LASSO回归筛选出10个关键预测因子。在五个模型中,GBM获得了最高的数值表现,测试集上AUC为0.869(95%CI:0.837–0.902),敏感度为0.751,特异度为0.866。然而,DeLong检验显示GBM、XGBoost和随机森林之间无统计学显著差异。因此,GBM应被视为优选的最佳表现模型,而非确定性的最优模型。校准曲线显示可接受的拟合度(校准截距:?0.302,斜率:1.135,Brier评分:0.138),决策曲线分析表明在临床相关阈值概率范围内具有正净获益。特征重要性分析显示,血红蛋白、空腹血糖和舒张压是GBM模型中的前三位预测因子。
基于孕早期至孕中期常规临床指标的GBM预测模型在研究队列中表现出较强的内部判别能力、可接受的内部校准性能以及潜在的临床实用性。然而,这些结果仅反映内部性能,不应被解读为临床可用的证据。在任何临床应用之前,有必要进行进一步的前瞻性、多中心外部验证。该模型可作为支持早期风险分层和个体化产前保健的候选工具,但应作为临床判断的补充,而非替代。
低出生体重(LBW)是重要的新生儿不良结局之一,也是公共卫生问题。本研究旨在利用孕早期和孕中期的常规临床指标,基于机器学习算法开发和验证低出生体重风险预测模型。
本单中心回顾性队列研究纳入了乌鲁木齐某三级医院4,498例单胎孕妇(2014年2月至2024年12月),其中579例(12.9%)为低出生体重。数据集通过分层抽样随机分为训练集(70%)和测试集(30%)。经LASSO回归进行变量筛选后,分别构建了五个模型——逻辑回归、随机森林、XGBoost、梯度提升机(GBM)和神经网络——并进行比较。模型性能通过ROC曲线下面积(AUC)、校准曲线、决策曲线分析(DCA)及额外指标(包括PR-AUC和Brier评分)进行评估。采用Bootstrap乐观校正进行内部验证。
LASSO回归筛选出10个关键预测因子。在五个模型中,GBM获得了最高的数值表现,测试集上AUC为0.869(95%CI:0.837–0.902),敏感度为0.751,特异度为0.866。然而,DeLong检验显示GBM、XGBoost和随机森林之间无统计学显著差异。因此,GBM应被视为优选的最佳表现模型,而非确定性的最优模型。校准曲线显示可接受的拟合度(校准截距:?0.302,斜率:1.135,Brier评分:0.138),决策曲线分析表明在临床相关阈值概率范围内具有正净获益。特征重要性分析显示,血红蛋白、空腹血糖和舒张压是GBM模型中的前三位预测因子。
基于孕早期至孕中期常规临床指标的GBM预测模型在研究队列中表现出较强的内部判别能力、可接受的内部校准性能以及潜在的临床实用性。然而,这些结果仅反映内部性能,不应被解读为临床可用的证据。在任何临床应用之前,有必要进行进一步的前瞻性、多中心外部验证。该模型可作为支持早期风险分层和个体化产前保健的候选工具,但应作为临床判断的补充,而非替代。