利用机器学习技术对分娩过程中肩难产进行预测
《Archives of Gynecology and Obstetrics》:Antepartum prediction of shoulder dystocia using machine learning
【字体:
大
中
小
】
时间:2026年01月01日
来源:Archives of Gynecology and Obstetrics 2.5
编辑推荐:
摘要
目的:肩难产(SD)是一种严重的分娩并发症,通常在没有可识别风险因素的情况下发生。准确的风险评估对于做出关于分娩方式的明智决策至关重要。本研究旨在开发和验证一个基于机器学习的肩难产预测模型。
方法:
我们对某学术医院10年间足月单胎阴道分娩进行了回顾性分析。排
摘要
目的:肩难产(SD)是一种严重的分娩并发症,通常在没有可识别风险因素的情况下发生。准确的风险评估对于做出关于分娩方式的明智决策至关重要。本研究旨在开发和验证一个基于机器学习的肩难产预测模型。
方法:
我们对某学术医院10年间足月单胎阴道分娩进行了回顾性分析。排除标准包括剖宫产和多胎妊娠。比较了肩难产病例与非难产病例的母婴特征。选择了11个特征用于模型开发。对于正态分布变量中的缺失值,使用均值进行了插补。为了解决类别不平衡问题,对非难产病例进行了重复随机抽样。数据被分为训练集和测试集(70:30)并进行了标准化。评估了多种机器学习模型,包括逻辑回归、决策树、随机森林、支持向量机、XGBoost和CatBoost,并使用交叉验证和ROC曲线下面积(AUC)进行了评估。
结果:
在51,628例分娩中,有94例(0.18%)发生了肩难产。肩难产与较高的BMI、较矮的身高和较高的糖尿病发病率相关(所有p<0.05)。肩难产组的平均出生体重显著较高(3751克对比3287克,p<0.01)。CatBoost模型表现最佳(AUC=0.83,95% CI 0.77–0.89)。关键的预测特征是超声估计的胎儿体重(EFW,占模型决策权重的55.6%)、母亲BMI(20.1%)和临床EFW(7.9%)。
结论:
我们的基于机器学习的模型预测肩难产的AUC为0.83,可能有助于医生制定分娩计划。
补充说明:
在这项针对超过51,000例阴道分娩的回顾性研究中,我们开发并验证了一个使用基本母婴参数高精度预测肩难产的模型(AUC=0.83)。为了提高临床实用性,我们创建了一个用户友好的计算器应用程序,提供个性化的产前风险预测。
引言:
肩难产(SD)是一种产科急症,在0.2-3%的阴道分娩中发生,当胎儿的一个或两个肩膀在骨盆入口处被阻塞时,通常是由于耻骨联合的阻碍。SD是由胎儿肩膀与骨盆入口之间的尺寸不符引起的[1]。不同来源对SD的定义有所不同,但一个普遍接受的定义是指在轻轻向下按压胎儿头部后仍无法分娩胎儿肩膀,需要额外的产科操作来促进分娩。另一种更精确的定义是胎儿头部与身体其余部分的分娩时间超过60秒[2]。
SD与母亲并发症增加有关,包括产后出血(PPH)、三度和四度会阴撕裂以及宫颈撕裂[3],以及新生儿发病率增加,如Apgar评分低、臂丛神经损伤、锁骨和肱骨骨折、酸中毒和缺氧性神经损伤[4,5,6]。
尽管已经确定了一些导致SD的风险因素,包括母亲糖尿病(DM)、母亲肥胖和胎儿巨大儿[7,8],但SD仍然难以预测[9,10,11]。先前的研究显示,只有25%的肩难产病例与至少一个重要风险因素相关。此外,大多数这些病例发生在体重低于4000克的新生儿中[12]。虽然剖宫产可以作为预防肩难产的措施,但不必要的剖宫产增加促使人们需要探索其他独立的风险因素以改进SD预测。
机器学习已成为开发医学领域各种预测模型的强大工具。在妇产科领域,许多研究已经证明了其在预测多种临床结果方面的效用,包括植入成功率、新生儿结局、早产、胎儿体重估计、产后并发症以及阴道分娩的可能性[13,14,15,16]。因此,本研究旨在开发并验证一个基于机器学习的肩难产预测模型。该模型将整合母亲数据和通过分娩前超声检查获得的胎儿生长参数,从而在劳动开始前估计SD风险。该模型可以作为辅助医生进行分娩方式咨询和评估肩难产风险的工具。
材料与方法:
在这项回顾性研究中,数据来自2014年至2023年间在Meir医疗中心分娩的患者的医疗记录。研究包括足月单胎妊娠(妊娠年龄≥37+0周),成功自然或器械辅助阴道分娩。排除标准包括剖宫产和多胎妊娠。母亲特征包括母亲年龄、体重指数(BMI)、妊娠体重增加、产科史和糖尿病的存在。胎儿数据包括分娩时的妊娠年龄、基于分娩前2周内的超声和临床评估的估计胎儿体重(EFW)、胎儿性别和出生体重。超声EFW包括标准的胎儿生物测量值AC、FL、BPD和HC。超声机的计算基于Hadlock公式。
比较了两组数据:发生肩难产的分娩和未发生肩难产的分娩。
统计和计算分析:
使用卡方检验或Fisher精确检验(视情况而定)比较了肩难产病例和对照病例之间的分类变量。使用t检验比较了组间连续变量。概率值<0.05被认为是显著的。所有额外的分析都在Python中使用Pandas、Scikit-learn和NumPy库进行。
数据预处理步骤包括:
SD数据集的初步预处理包括识别和处理缺失值。一些变量没有缺失数据,而其他变量需要插补。例如,不呈正态分布的临床EFW使用中位数进行插补;对于正态分布的变量,如超声EFW和BMI,使用均值填充缺失值。尽管超声EFW的缺失比例很高(SD组为41.4%),但其分布是正态的,因此保留了这些缺失数据并进行了分析。两个特征——当前体重和妊娠期间的体重增加——缺失数据过多(分别为48%和58%),因此被排除在进一步分析之外。
对于非SD队列,鉴于类别不平衡,选择了一个代表性的子集以匹配SD组。仅包括SD数据集中保留的变量。包含缺失或异常值的记录由于数据输入或测量错误而被排除。为了减少94例肩难产(SD)病例与超过50,000例非SD分娩之间的不平衡,我们使用了重复随机欠采样。在每一轮中,随机选择了200例数据完整的非SD病例并与所有SD病例结合,创建一个平衡的训练集。重复此过程多次以包含不同的非SD样本并限制对多数组的偏见。过滤后,剩下6,637条完整且无SD的记录,形成了一个高质量且平衡的数据集用于模型开发。
最终数据集包括11个变量:母亲年龄、糖尿病状态、流产次数(AB)、之前的剖宫产次数(CD)、之前的阴道分娩次数(P)、剖宫产后成功的阴道分娩次数(VBAC)、超声和临床估计的胎儿体重(EFW)、BMI、分娩时的妊娠年龄和胎儿性别。
机器学习模型开发:
我们评估了多种机器学习算法,包括逻辑回归、决策树、随机森林、支持向量机(SVM)、XGBoost和CatBoost。数据集被随机分为70%的训练集和30%的测试集。进行了交叉验证以优化超参数,并使用接收者操作特征曲线下面积(AUC-ROC)评估模型性能。
该研究获得了机构审查委员会的批准。伦理委员会免除了知情同意的要求,因为数据是完全回顾性的且已匿名化。
结果:
我们纳入了51,628例符合预定义纳入和排除标准的单胎妊娠。其中,94例(0.18%)发生了SD。表1展示了有SD和无SD病例之间的母婴特征比较。SD组的母亲BMI显著较高(p<0.01),平均身高较短(160厘米对比163厘米,p=0.04),糖尿病患病率较高(11.7%对比4.6%,p<0.01)。表1:研究组特征
SD组的估计胎儿体重(EFW)通过超声和临床评估,显著较高(p<0.01)。SD组的平均出生体重为3751克,而非SD组为3287克(p<0.01)。
模型评估和性能指标:
数据预处理和过滤后,共有6731例患者被纳入用于模型开发的数据集,其中包括94例SD病例和6637例非SD病例。CatBoost表现出最高的预测性能,优于所有其他模型。图1显示了Catboost模型的接收者操作特征(ROC)曲线,这是评估二元分类模型性能的常用工具。Catboost模型的ROC曲线下面积平均值为0.83(95% CI 0.77–0.89),表明模型正确地将随机选择的阳性实例排在随机选择的阴性实例之前的概率约为83%。在最佳阈值下,模型的敏感性为0.448,特异性为0.929,相应的假阳性率(FPR)为0.071。
表2展示了CatBoost模型中每个参数的重要性。CatBoost模型将超声EFW识别为最有影响力的预测因素,占模型决策权重的55.56%,其次是母亲BMI(20.08%)和临床EFW(7.87%)。
为了将我们的预测模型转化为临床适用工具,我们使用Python Tkinter库开发了一个用户友好的应用程序。该应用程序作为一个风险计算器:医生可以输入患者特定参数,工具提供关于肩难产可能性的个性化预测。应用程序的演示见补充材料(补充视频1)。
讨论:
肩难产(SD)仍然是一个具有挑战性的产科急症,即使是在平均出生体重的新生儿中也是如此。值得注意的是,我们的SD队列的平均出生体重为3751克,这表明即使在通常提到的巨大儿阈值(4000克)以下,严重的SD事件也频繁发生[17]。这强调了仅依赖于胎儿体重来预测SD的局限性,强调了更准确和全面预测模型的迫切需求。
机器学习方法已成为包括妇产科在内的各种医学领域中非常有效的预测工具。先前的研究已经成功利用机器学习模型来预测多种产科结果,包括早产、产后并发症和胎儿体重估算 [18,19,20]。机器学习的应用使得能够对大型、复杂的数据集进行细致的分析,通过提供比传统统计模型更强大的预测能力来改善临床决策。鉴于产科并发症(如肩难产)的复杂性,机器学习在改进风险分层和临床结果方面具有巨大潜力 [2]。所提出的计算器(补充视频1)可以在分娩前作为决策支持工具使用,以评估个体化的肩难产风险。对于被识别为高风险的病例,该模型可以帮助临床医生向患者提供关于选择性剖宫产的潜在益处和风险的咨询,或者提供更详细的解释,以促进共同和明智的决策。重要的是,这个工具旨在补充而不是取代临床判断,并应作为临床医生全面评估的辅助工具。
我们预测模型的一个显著优势是它仅依赖于分娩开始前可获得的基本产前参数——主要是人口统计细节、母亲BMI和胎儿体重估算。这些预测因子的简单性和易获取性确保了该模型的广泛适用性,便于将其整合到标准临床实践中 [21, 22]。这种简单性可以显著提高产前咨询和关于分娩方式的决策,特别是在资源匮乏的环境或无法进行大量数据收集的临床环境中。
我们的模型能够识别出44.8%的真实肩难产病例,其特异性非常高,达到92.9%,假阳性率仅为7.1%。在像肩难产这样的罕见结果的背景下,这种性能尤为重要。该模型能够可靠地区分低风险患者,并减少不必要的警报,从而降低过高估计风险或进行不必要的干预的可能性。即使敏感性中等,由于能够限制假阳性,该模型仍具有临床价值,因为它提供了有意义和实用的风险分层,以支持决策制定。
然而,我们的研究受到其回顾性本质的几个限制。回顾性数据收集往往导致医疗记录不完整,需要填补缺失数据,这可能会影响我们发现的准确性和普适性 [23]。使用均值插补来处理缺失数据,在统计上是可接受的,但可能会引入偏差并降低预测的可靠性 [24]。此外,肩难产事件的相对罕见性限制了我们分析大量病例的能力;尽管如此,与现有文献相比,我们的样本量仍然相当大,这为研究提供了可信度 [25]。该模型是使用来自单一中心的数据开发的,这可能限制其普适性。不过,Meir Medical Centre服务于来自以色列不同地理和社会经济区域的多样化女性群体,这在一定程度上缓解了这一限制。尽管如此,未来的多中心研究对于在不同临床环境中验证该模型以及增加肩难产科例数是必要的,从而提高模型的稳健性和普适性。此外,还需要前瞻性研究来验证该模型在真实临床环境中的预测性能,并随着更多数据的获得不断改进其算法,从而增强其临床可靠性和适用性。
总之,基于机器学习的模型在预测产前肩难产方面显示出显著的准确性,它利用了分娩前容易获取的基本人口统计和产科参数。进一步的前瞻性验证和完善此类预测模型可以显著改善与肩难产相关的临床管理策略和结果 [26]。
生物通微信公众号
生物通新浪微博
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