综述：用于提前预测早产的机器学习技术

《BMC Pregnancy and Childbirth》：Machine learning for early prediction of preterm birth

　　

摘要

背景

早产是指在妊娠37周之前分娩，仍是全球新生儿死亡和长期疾病的主要诱因。传统的风险评估方法，如宫颈长度测量和基于生物标志物的筛查，其预测效果较为有限。机器学习技术通过整合多种类型的临床数据并识别复杂的危险因素模式，有望提升早产的预测精度。

方法

本研究通过系统检索PubMed、Web of Science、Scopus、IEEE Xplore以及Google Scholar上2010年1月至2024年4月间发表的相关研究，进行了结构化的叙述性综述。根据预定的纳入标准对研究进行筛选，最终有14项利用人类妊娠数据集评估机器学习模型在早产预测中应用的研究被纳入综合分析。这些研究的相关特征、预测变量、机器学习方法、验证策略以及模型性能等数据都被提取出来并进行了叙述性整合。

结果

共有14项研究符合预定标准并被纳入最终的综合分析。那些使用纵向电子健康记录、多次检测数据或更详细的孕妇临床信息 的机器学习模型，通常表现更好。随机森林、梯度提升和堆叠模型等集成方法，以及人工神经网络、循环神经网络和长短期记忆网络等深度学习方法，往往是性能最佳的模型类型。在所有纳入的研究中，既往早产史、宫颈长度、母亲年龄、高血压疾病、糖尿病以及体重指数，都是被反复提及的、对机器学习模型性能具有预测作用的因素。不过，不同研究在数据来源、结果定义、验证方法以及性能评估方面存在较大差异，外部验证、模型校准以及实际临床应用的情况也较为有限。

结论

机器学习技术在优化早产风险分层方面展现出巨大潜力，但要实现其在临床上的广泛应用，还需要解决早期预测、可解释的结果以及可靠的外部验证等问题。尽管机器学习模型总体上具备较好的预测性能，但由于研究方法存在差异且外部验证结果不一致，这些结果的解读仍面临一定挑战。未来的研究应注重标准化报告、多中心外部验证、模型校准、结果可解释性以及前瞻性应用研究，从而推动该技术在临床中的常规应用。