
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于大样本队列的机器学习围产期新生儿死亡率风险预测模型构建与验证
《Scientific Reports》:Neonatal mortality prediction under extreme class imbalance: calibrated supervised models and exploratory phenotype analysis in a population-based Iranian registry
【字体: 大 中 小 】 时间:2026年10月22日 来源:Scientific Reports 4.9
编辑推荐:
摘要新生儿死亡率仍是导致五岁以下儿童死亡的主要因素之一,但由于该结局发生的频率较低,以及以往模型在校准和可解释性方面的研究不足,早期、个性化的风险预测受到了限制。我们开发并通过对大型、基于人群的队列数据进行了压力测试,开发了用于新生儿死亡率预测的机器学习(ML)模型,这些模型结合
新生儿死亡率仍是导致五岁以下儿童死亡的主要因素之一,但由于该结局发生的频率较低,以及以往模型在校准和可解释性方面的研究不足,早期、个性化的风险预测受到了限制。我们开发并通过对大型、基于人群的队列数据进行了压力测试,开发了用于新生儿死亡率预测的机器学习(ML)模型,这些模型结合了概率校准、可解释的AI技术和探索性的无监督特征分析方法。该研究队列包含61,517名新生儿(其中131名死亡;类别不平衡比为1:469),我们使用这60个常规可获取的围产期特征数据训练了L2正则化的逻辑回归(LR)模型和LightGBM模型。模型的性能通过判别能力(AUROC、AUPRC)、校准情况和决策曲线分析来进行评估,而SHAP算法以及四种无监督方法(UMAP、K-means、隔离森林、Apriori)则用于揭示潜在的风险结构。这些模型随后在一个来自不同机构、不同时间段、包含604名死亡新生儿的数据集上进行了单独的外部压力测试。结果显示,LR模型的AUROC值为0.955(LightGBM为0.944);在最优阈值(τ*=0.004)下,该模型能够以97.3%的特异性识别出87.8%的死亡病例,并具有明显的临床益处。在外部压力测试中,LR模型正确识别出了69.5%的死亡病例。无监督分析(在未标注死亡标签的情况下进行建模,并事后与实际死亡数据对比)发现了一种高风险特征模式;由6.7%的新生儿组成的K-means簇包含了所有死亡病例的89.3%。在这个具有高度异质性的大样本队列中,经过良好正则化的ML模型实现了新生儿死亡风险的准确分类、可解释性以及早期风险分层。由于外部数据集仅包含死亡病例,因此目前只能评估模型的敏感性;模型的外部判别能力和校准效果还有待进一步验证,在实际临床应用之前还需要进行前瞻性评估。