产后出血相关子宫切除术风险的可解释机器学习预测模型的开发与外部验证

《Scientific Reports》:Development and external validation of machine learning models for predicting hysterectomy in patients with postpartum hemorrhage

【字体: 大 中 小 】 时间:2026年09月18日 来源:Scientific Reports 4.9

编辑推荐:

   # 摘要 产后出血(PPH)是全球范围内可预防性孕产妇死亡的主要原因。紧急产后子宫切除术是顽固性产后出血的最终救命手段,但会导致不可逆的不育以及严重的长期孕产妇并发症。目前临床风险评估主要依赖于经验判断和传统评分工具,缺乏精确、可解释且经过外部验证的产后出血相关子宫切除术预

  # 摘要产后出血(PPH)是全球范围内可预防性孕产妇死亡的主要原因。紧急产后子宫切除术是顽固性产后出血的最终救命手段,但会导致不可逆的不育以及严重的长期孕产妇并发症。目前临床风险评估主要依赖于经验判断和传统评分工具,缺乏精确、可解释且经过外部验证的产后出血相关子宫切除术预测模型。本研究旨在开发和验证一种具有可解释人工智能(XAI)的稳健机器学习(ML)模型,用于产后出血患者的个体化术前风险评估和分层。本回顾性观察研究基于重症监护医疗信息库第四版(MIMIC-IV v3.1)数据库开展。共纳入1669例符合条件的产后出血患者,按照7:3分层比例随机分为训练队列(n=1169)和内部验证队列(n=500)。整合了四种严格的算法(LASSO、Boruta、随机森林和XGBoost)筛选核心预测变量。构建了八个机器学习模型,并通过10折交叉验证进行优化。通过受试者工作特征(ROC)曲线、校准曲线和决策曲线分析(DCA)综合评估模型性能。采用SHapley加性解释(SHAP)分析增强模型可解释性。使用中国解放军总医院妇产科488例临床产后出血患者进行独立外部验证。最佳模型进一步部署为基于网络的床旁预测工具。最终确定了六个核心预测特征,包括孕产妇年龄、血小板计数、硫酸镁使用、胎盘异常、子宫肌瘤和抗高血压药物使用。逻辑回归(LR)展现了最优的综合性能,被选为最终模型。在内部验证中,LR模型的AUC达到0.917,准确率为0.962,具有优秀的校准度和良好的临床净获益。在外部验证中,模型保持了出色的泛化能力,AUC为0.9656,高特异度(0.9938),以及令人满意的敏感度(0.8)。SHAP分析显示胎盘异常是主要风险因素,而血小板计数升高则作为保护性指标。成功建立了可视化在线预测工具,支持实时床旁风险评估。本研究开发并外部验证了一种用于预测产后出血患者子宫切除术风险的可解释机器学习模型。该模型在内部和外部验证设置中均表现出高区分准确率、稳健的校准度和良好的临床适用性。该模型可能支持早期风险分层和临床准备,基于网页的工具为在床旁提供个体化风险评估提供了实用途径。前瞻性影响研究将确定使用该模型是否能够在实际中改善临床决策、减少不必要的紧急子宫切除术并改善孕产妇结局。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号