今日动态 返回首页
会员注册 登录 生物通快讯免费订阅
  • 首页 今日动态 人才市场 新技术专栏 中国科学人 云展台
    BioHot
    • 定制我的BioHot
    • 进入我的BioHot
    • 进入我的集采
    • 肿瘤癌症研究
    • 免疫/基因/细胞疗法
    • 神经生物学
    • 健康与疾病
    • 衰老机制与长寿
    • 单细胞技术
    • 基因编辑-CRISPR
    • RNA研究
    • 肠道菌与人体微生态
    • 细胞代谢
    • AI生物信息学
    • COVID
    云讲堂直播 会展中心 特价专栏 技术快讯 免费试用

  • 生物通官微
    陪你抓住生命科技
    跳动的脉搏

生物通首页  >  今日动态  >  正文

复发性流产预测模型:XGBoost与逻辑回归的内部评估比较

《BMC Pregnancy and Childbirth》:Machine learning–based prediction of early pregnancy outcomes in women with recurrent pregnancy loss: a retrospective cohort study

【字体: 大 中 小 】 时间:2026年10月10日 来源:BMC Pregnancy and Childbirth 3.1

编辑推荐:

   摘要背景我们旨在开发并内部评估用于预测复发性流产(RPL)女性记录性流产的模型,并比较XGBoost与逻辑回归的表现。方法本回顾性研究使用2015年至2023年间中山大学医疗大数据平台中至少有过两次流产史的女性共1,848条记录。预测变量测量值限定为末次月经后13周内。采用固

  

摘要

背景

我们旨在开发并内部评估用于预测复发性流产(RPL)女性记录性流产的模型,并比较XGBoost与逻辑回归的表现。

方法

本回顾性研究使用2015年至2023年间中山大学医疗大数据平台中至少有过两次流产史的女性共1,848条记录。预测变量测量值限定为末次月经后13周内。采用固定分层划分方式,将1,293个观察值分配至训练集,555个分配至测试集。在先前的探索性分析后固定了24个候选预测变量。在每个拟合子集内,通过链式方程多重插补生成10个完整数据集,随后使用各次插补中最大方差膨胀因子(VIF)进行筛选,保留阈值为VIF低于5。该工作流程被纳入五折交叉验证和500次自助法重抽样拟合中。模型性能通过折外(OOF)预测、留出集预测、校准度、决策曲线以及基于训练集得出的分类阈值进行评价。XGBoost的预测结果使用SHapley加性解释(SHAP)进行解释。

结果

共有1,121例流产(60.7%)和727例记录性分娩(39.3%)。所有24个候选变量在每个拟合阶段均通过VIF筛选。两个模型的折外AUC均为0.856。测试集AUC:逻辑回归为0.853(95% CI 0.820–0.885),XGBoost为0.843(0.810–0.875);配对差值为0.0103(?0.0052至0.0253)。测试集Brier分数分别为0.152和0.160。在各自基于训练集得出的阈值下,XGBoost具有较高的敏感度(0.754对0.620),而逻辑回归具有较高的特异度(0.885对0.794)。孕囊大小、hCG、孕酮、年龄和血红蛋白是主要的SHAP贡献因素。

结论

两种模型均表现出良好的内部区分能力,但测试集AUC差异尚无明确证据。XGBoost低估了平均流产风险。同源留出集仅提供内部评估。

背景

我们旨在开发并内部评估用于预测复发性流产(RPL)女性记录性流产的模型,并比较XGBoost与逻辑回归的表现。

方法

本回顾性研究使用2015年至2023年间中山大学医疗大数据平台中至少有过两次流产史的女性共1,848条记录。预测变量测量值限定为末次月经后13周内。采用固定分层划分方式,将1,293个观察值分配至训练集,555个分配至测试集。在先前的探索性分析后固定了24个候选预测变量。在每个拟合子集内,通过链式方程多重插补生成10个完整数据集,随后使用各次插补中最大方差膨胀因子(VIF)进行筛选,保留阈值为VIF低于5。该工作流程被纳入五折交叉验证和500次自助法重抽样拟合中。模型性能通过折外(OOF)预测、留出集预测、校准度、决策曲线以及基于训练集得出的分类阈值进行评价。XGBoost的预测结果使用SHapley加性解释(SHAP)进行解释。

结果

共有1,121例流产(60.7%)和727例记录性分娩(39.3%)。所有24个候选变量在每个拟合阶段均通过VIF筛选。两个模型的折外AUC均为0.856。测试集AUC:逻辑回归为0.853(95% CI 0.820–0.885),XGBoost为0.843(0.810–0.875);配对差值为0.0103(?0.0052至0.0253)。测试集Brier分数分别为0.152和0.160。在各自基于训练集得出的阈值下,XGBoost具有较高的敏感度(0.754对0.620),而逻辑回归具有较高的特异度(0.885对0.794)。孕囊大小、hCG、孕酮、年龄和血红蛋白是主要的SHAP贡献因素。

结论

两种模型均表现出良好的内部区分能力,但测试集AUC差异尚无明确证据。XGBoost低估了平均流产风险。同源留出集仅提供内部评估。

相关新闻
生物通微信公众号
生物通新浪微博
微信
新浪微博
我要投稿
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热搜:复发性流产|XGBoost|逻辑回归|预测模型|机器学习|SHAP解释

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