
-
生物通官微
陪你抓住生命科技
跳动的脉搏
埃塞俄比亚北谢瓦地区已婚妇女不孕症的患病率、相关因素及基于机器学习的预测:一项横断面研究
《BMC Women's Health》:Prevalence, associated factors, and machine learning–based prediction of infertility among married women in North Shewa Zone, Ethiopia: a cross-sectional study
【字体: 大 中 小 】 时间:2026年07月29日 来源:BMC Women's Health 2.4
编辑推荐:
摘要背景不孕症是指在12个月的规律无保护性行为后仍无法怀孕的情况,这一问题对公共卫生有着重要影响,还会带来严重的社会、心理及婚姻方面的后果。本研究中,不孕症的判定依据是受试者自我报告的受孕时间,而非临床诊断;研究未进行任何临床检查或男性因素评估,因此存在结果分类错误的可能。尽管这
不孕症是指在12个月的规律无保护性行为后仍无法怀孕的情况,这一问题对公共卫生有着重要影响,还会带来严重的社会、心理及婚姻方面的后果。本研究中,不孕症的判定依据是受试者自我报告的受孕时间,而非临床诊断;研究未进行任何临床检查或男性因素评估,因此存在结果分类错误的可能。尽管这一问题十分重要,但埃塞俄比亚的相关社区层面证据仍然有限。本研究旨在估算埃塞俄比亚奥罗米亚州北谢瓦地区已婚妇女的不孕症患病率,识别与不孕症相关的因素,并评估若干机器学习模型在该群体中的预测性能。
本研究为基于社区的横断面研究,共选取了三个地区的829名已婚妇女作为研究对象。不孕状况通过受试者自我报告的受孕时间来确定。研究采用带有Firth惩罚项的多变量逻辑回归分析来识别与不孕症相关的因素,并报告调整后的比值比及其95%置信区间。在预测分析方面,研究人员使用了随机森林、极端梯度提升和支持向量机这三种机器学习模型,数据采用80/20的比例进行训练集和测试集划分,训练数据还经过了5折交叉验证。为解决类别不平衡问题,研究采用了重采样技术。模型的性能则通过准确率、灵敏度、特异性以及接收者操作特征曲线下面积等指标来评估。
该地区已婚妇女的不孕症患病率为12.7%。与不孕症显著相关的因素包括居住地区、结婚年龄、月经周期不规律、流产史、家族不孕史、性伴侣数量、吸烟情况以及女性的职业。在预测建模方面,随机森林模型的AUC值最高,为0.89,其次是XGBoost模型(0.88)和支持向量机模型(0.81),而逻辑回归模型的AUC值为0.69。不过各模型的预测性能差异并不明显。由于不孕症病例数量相对较少,模型存在不稳定和过拟合的风险。通过对随机森林模型进行变量重要性分析,研究发现女性的职业、教育水平、家族不孕史以及月经周期模式是重要的预测因子。
北谢瓦地区已婚妇女的不孕症与多种社会人口学、生殖及行为因素相关。但由于本研究为横断面设计,结果依赖自我报告,且没有临床验证,加之病例数量有限,因此相关结论需谨慎解读。虽然机器学习模型的预测性能相对更高,但其结果仅基于内部验证,可能无法推广到其他人群。逻辑回归仍适合用于推断分析,而机器学习方法则可用于探索性预测。在实际应用之前,还需要开展样本量更大、结局测量更精准且具有外部验证性的进一步研究。
不孕症是指在12个月的规律无保护性行为后仍无法怀孕的情况,这一问题对公共卫生有着重要影响,还会带来严重的社会、心理及婚姻方面的后果。本研究中,不孕症的判定依据是受试者自我报告的受孕时间,而非临床诊断;研究未进行任何临床检查或男性因素评估,因此存在结果分类错误的可能。尽管这一问题十分重要,但埃塞俄比亚的相关社区层面证据仍然有限。本研究旨在估算埃塞俄比亚奥罗米亚州北谢瓦地区已婚妇女的不孕症患病率,识别与不孕症相关的因素,并评估若干机器学习模型在该群体中的预测性能。
本研究为基于社区的横断面研究,共选取了三个地区的829名已婚妇女作为研究对象。不孕状况通过受试者自我报告的受孕时间来确定。研究采用带有Firth惩罚项的多变量逻辑回归分析来识别与不孕症相关的因素,并报告调整后的比值比及其95%置信区间。在预测分析方面,研究人员使用了随机森林、极端梯度提升和支持向量机这三种机器学习模型,数据采用80/20的比例进行训练集和测试集划分,训练数据还经过了5折交叉验证。为解决类别不平衡问题,研究采用了重采样技术。模型的性能则通过准确率、灵敏度、特异性以及接收者操作特征曲线下面积等指标来评估。
该地区已婚妇女的不孕症患病率为12.7%。与不孕症显著相关的因素包括居住地区、结婚年龄、月经周期不规律、流产史、家族不孕史、性伴侣数量、吸烟情况以及女性的职业。在预测建模方面,随机森林模型的AUC值最高,为0.89,其次是XGBoost模型(0.88)和支持向量机模型(0.81),而逻辑回归模型的AUC值为0.69。不过各模型的预测性能差异并不明显。由于不孕症病例数量相对较少,模型存在不稳定和过拟合的风险。通过对随机森林模型进行变量重要性分析,研究发现女性的职业、教育水平、家族不孕史以及月经周期模式是重要的预测因子。
北谢瓦地区已婚妇女的不孕症与多种社会人口学、生殖及行为因素相关。但由于本研究为横断面设计,结果依赖自我报告,且没有临床验证,加之病例数量有限,因此相关结论需谨慎解读。虽然机器学习模型的预测性能相对更高,但其结果仅基于内部验证,可能无法推广到其他人群。逻辑回归仍适合用于推断分析,而机器学习方法则可用于探索性预测。在实际应用之前,还需要开展样本量更大、结局测量更精准且具有外部验证性的进一步研究。