
-
生物通官微
陪你抓住生命科技
跳动的脉搏
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
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。
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。
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。
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。
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。
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。
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。
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。