-
生物通官微
陪你抓住生命科技
跳动的脉搏
生物通官微
陪你抓住生命科技
跳动的脉搏
基于机器学习的早发性儿童脑瘫协同性围产期风险特征建模
《BMC Medical Informatics and Decision Making》：Machine learning driven modeling of synergistic perinatal risk profiles in early onset pediatric cerebral palsy
【字体： 大 中 小 】 时间：2026年07月12日 来源：BMC Medical Informatics and Decision Making 5.5
编辑推荐：
摘要研究目的构建并评估用于早期预测脑瘫的机器学习模型，同时识别儿童群体中具有协同作用的围产期风险因素。研究方法我们利用在卡塔尔Sidra Medicine收集的人口统计学、围产期及产后临床数据，开展了一项回顾性病例对照研究。选用四种机器学习模型——随机森林、XGBoost、支持向
构建并评估用于早期预测脑瘫的机器学习模型，同时识别儿童群体中具有协同作用的围产期风险因素。
我们利用在卡塔尔Sidra Medicine收集的人口统计学、围产期及产后临床数据，开展了一项回顾性病例对照研究。选用四种机器学习模型——随机森林、XGBoost、支持向量机以及前馈神经网络，以具有临床意义的特征作为训练依据。通过精确度、召回率、曲线下面积、F1分数以及基于SHAP的解释性分析来评估模型性能。此外，还运用多维度交互框架对16个亚组中的累积风险进行了分析。
所有机器学习模型都展现出较高的预测精度（ROC-AUC为0.98–0.99，PR-AUC为0.97–0.98），其中四个关键风险因素为低出生体重、早产、新生儿重症监护室入住以及多胎妊娠。同时暴露于这四类因素的婴儿患脑瘫的概率高达93.15%（比值比=1382.67；p＜0.0001）。在不同暴露亚组中可观察到明显的剂量-反应关系。SHAP分析进一步证实了低出生体重、极早产、新生儿重症监护室入住以及多胎妊娠在各类模型中的重要性一致。交叉验证结果显示模型具备良好的稳定性，而严重程度分析则表明新生儿重症监护室入住和出生体重是导致GMFCS评分更高的独立预测因子。
在这组中东地区的儿童样本中，四种机器学习模型在脑瘫风险分层方面均表现出较高预测精度（ROC-AUC为0.98–0.99），其中低出生体重、极早产、新生儿重症监护室入住以及多胎妊娠是各类模型中最具一致性的预测因子。最高风险亚组中93.15%的脑瘫发病率体现了这些风险因素之间的协同作用，这一现象为从单一因素筛查转向基于风险因素加权、由机器学习驱动的新生儿监测提供了依据。这些研究结果为高风险新生儿群体的早期风险分层及针对性干预措施的制定提供了数据支持。
构建并评估用于早期预测脑瘫的机器学习模型，同时识别儿童群体中具有协同作用的围产期风险因素。
我们利用在卡塔尔Sidra Medicine收集的人口统计学、围产期及产后临床数据，开展了一项回顾性病例对照研究。选用四种机器学习模型——随机森林、XGBoost、支持向量机以及前馈神经网络，以具有临床意义的特征作为训练依据。通过精确度、召回率、曲线下面积、F1分数以及基于SHAP的解释性分析来评估模型性能。此外，还运用多维度交互框架对16个亚组中的累积风险进行了分析。
所有机器学习模型都展现出较高的预测精度（ROC-AUC为0.98–0.99，PR-AUC为0.97–0.98），其中四个关键风险因素为低出生体重、早产、新生儿重症监护室入住以及多胎妊娠。同时暴露于这四类因素的婴儿患脑瘫的概率高达93.15%（比值比=1382.67；p＜0.0001）。在不同暴露亚组中可观察到明显的剂量-反应关系。SHAP分析进一步证实了低出生体重、极早产、新生儿重症监护室入住以及多胎妊娠在各类模型中的重要性一致。交叉验证结果显示模型具备良好的稳定性，而严重程度分析则表明新生儿重症监护室入住和出生体重是导致GMFCS评分更高的独立预测因子。
在这组中东地区的儿童样本中，四种机器学习模型在脑瘫风险分层方面均表现出较高预测精度（ROC-AUC为0.98–0.99），其中低出生体重、极早产、新生儿重症监护室入住以及多胎妊娠是各类模型中最具一致性的预测因子。最高风险亚组中93.15%的脑瘫发病率体现了这些风险因素之间的协同作用，这一现象为从单一因素筛查转向基于风险因素加权、由机器学习驱动的新生儿监测提供了依据。这些研究结果为高风险新生儿群体的早期风险分层及针对性干预措施的制定提供了数据支持。
