基于多层感知器神经网络(Multilayer Perceptron Neural Networks)的美国不良出生结局时间序列预测
123456789876 deploying neural-bridges for adverse birth outcomes in the U.S. using multilayer perceptron neural networks
Time-series prediction of adverse birth outcomes in the U.S. using multilayer perceptron neural networks
《PLOS Digital Health》:Time-series prediction of adverse birth outcomes in the U.S. using multilayer perceptron neural networks
编辑推荐:
基于多层感知器(Multilayer Perceptron, MLP)神经网络对美国不良出生结局(Adverse Birth Outcomes, ABOs)进行时间序列预测的研究。不良出生结局,包括早产(preterm birth)、低出生体重(low bir
基于多层感知器(Multilayer Perceptron, MLP)神经网络对美国不良出生结局(Adverse Birth Outcomes, ABOs)进行时间序列预测的研究。不良出生结局,包括早产(preterm birth)、低出生体重(low birth weight)、低Apgar评分(low Apgar scores)以及新生儿死亡(neonatal mortality),在美国仍是重大公共卫生挑战,且对不同种族、社会经济及人口亚群的影响存在显著差异。研究人员开发了一种时间序列多层感知器神经网络模型,利用2009年至2023年美国生命统计出生数据(涵盖57,900万例出生)对不良出生结局进行预测,并识别高风险人群。与ARIMA(自回归积分滑动平均模型,AutoRegressive Integrated Moving Average)等标准方法不同,多层感知器模型能够捕捉预测变量之间的非线性关系,并直接从数据中学习季节性模式。关键预测变量包括孕产妇年龄、体重指数(Body Mass Index, BMI)、产前保健充分性、教育程度、种族/民族以及短生育间隔(short interpregnancy intervals)。研究采用2009年1月至2022年12月的数据(共168个月度观测值)进行月度聚合不良出生结局率的建模,并将2023年数据(12个月度观测值)保留为独立验证集。预测性能通过均方根误差(Root Mean Square Error, RMSE = 0.181)进行评估,并将预测延伸至2030年。2009年至2023年间,不良出生结局患病率从14.9%上升至15.5%,其中黑人(Black)及美洲印第安人/阿拉斯加原住民(American Indian/Alaska Native, AIAN)母亲持续呈现最高发生率。妊娠相关疾病、高龄孕产妇、体重不足、低教育程度以及短生育间隔是与模型预测相关性最强的变量。预测显示,体重不足母亲及美洲印第安人/阿拉斯加原住民人群的不良出生结局风险将持续上升。对于规模较小或结构性弱势亚群,模型性能较低,凸显了对高风险人群进行预测的挑战。上述发现表明,时间序列多层感知器模型能够支持不良出生结局的预测并识别风险升高的群体。预测模型可辅助公共卫生监测、孕产妇健康规划及资源配置,但预测结果应谨慎解读,且不适用于个体层面的临床决策。
不良出生结局(Adverse Birth Outcomes, ABOs)作为全球性及美国本土的重大公共卫生挑战,涵盖早产(<37周妊娠)、低出生体重(<2.5 kg)、5分钟Apgar评分低下(0–3分)以及新生儿死亡等四种情形,对新生儿长期健康发育产生深远影响,并加剧种族、社会经济及人口群体间的健康不平等。全球每年约有1,500万早产儿,边缘化群体负担尤为沉重。在美国,黑人及美洲印第安人/阿拉斯加原住民(AIAN)母亲的不良出生结局发生率持续高于其他种族群体,折射出医疗可及性、产前保健及社会健康决定因素方面根深蒂固的结构性不平等。
传统流行病学方法虽增进了对不良出生结局预测因素的理解,但难以捕捉变量间复杂的非线性交互作用。机器学习(Machine Learning, ML),特别是基于多层感知器(Multilayer Perceptron, MLP)神经网络的时间序列模型,能够分析高维数据并识别既往未被察觉的模式。既往研究已证实人工智能方法利用重症监护室(Intensive Care Unit, ICU)数据库预测临床需求及结局的可行性。此类方法为政策制定者和服务提供者提供了更灵活的途径,以预测趋势并识别高风险人群,尤其在传统方法难以奏效的不同亚群之间。
本研究利用2009至2023年美国生命统计出生数据,开发时间序列多层感知器模型,旨在实现三个相互关联但各具侧重的目标:(1)预测2030年前全国不良出生结局趋势;(2)识别按种族、体重指数(BMI)、教育程度、产前保健及婚姻状况划分的高风险亚群;(3)衡量与不良出生结局相关的个体变量预测贡献度,包括孕产妇年龄、妊娠相关疾病及生育间隔预测变量。
研究采用基于重复横截面出生数据的人群研究设计,数据来源为美国国家卫生统计中心(NCHS)提供的2009至2023年美国生命统计出生数据,涵盖孕产妇人口学特征、健康因素、产前保健指标及出生结局,共计57,900万例出生(年均386万例)。原始数据经预处理与协调:缺失值采用列表删除法处理,每年受影响出生记录不足2%;所有变量重编码为二元或分类形式。变量定义在15年间保持一致性,包括:产前保健充分性以产前访视次数定义(<5次 vs. >5次);体重指数由孕前体重和身高按统一公式计算,体重不足定义为BMI < 18.5 kg/m2;妊娠期吸烟记录为二元变量;妊娠相关医疗风险为复合指标,自2009年起持续可得。
主要结局为复合不良出生结局,定义为以下任一情形的发生:早产、低出生体重、5分钟Apgar评分(0–3分)或新生儿死亡。该复合指标用于人群层面监测 statistics surveillance and forecasting, not clinical severity ranking. 四种组分常共存,如早产儿更可能出现低体重,重叠病例在结局中仅计数一次。各组分亦单独建模以避免掩盖组分特异性趋势。
预测变量包括孕产妇年龄、体重指数、产前保健充分性、种族/民族、教育程度、妊娠期吸烟、妊娠相关医疗风险及短生育间隔(<2年)。各预测变量的贡献通过逐变量剔除法(drop-one-at-a-time method)以均方根误差为评估指标进行衡量,该方法评估预测贡献而非因果效应。
研究采用时间序列多层感知器神经网络预测不良出生结局并预测至2030年的趋势。模型包含28个输入节点,代表四个主要独立变量域;五个隐藏层以捕捉非线性关系,每层12个节点(由滞后12期自相关函数确定);输出层采用线性激活函数进行连续预测。隐藏层激活函数为双曲正切函数(hyperbolic tangent, tanh),优化算法为Adam,学习率0.001,无正则化,训练50轮次(epochs)。超参数(隐藏层数、节点数、学习率、轮次数)通过网格搜索确定:隐藏层[3, 5, 7]、节点[6, 12, 24]、学习率[0.0005, 0.001, 0.005]、轮次[30, 50, 100]。超参数调优及架构选择仅使用2009–2022年训练期数据,2023年验证集在模型开发期间未被触及,仅用于最终样本外评估。最终配置通过2009–2022年训练期内的比较预测性能选定。
研究评估了四种建模方法:无隐藏层的神经网络(AR(1)模拟)、含12期滞后输入的神经网络(AR(12)模拟)、自动时间序列模型选择方法,以及基于深度学习的时间序列预测多层感知器。深度学习多层感知器取得最低总体均方根误差(0.181),较AR(1)模拟(0.266)和AR(12)模拟(0.274)显著改善,表明捕捉非线性及深层时间模式对此预测问题至关重要。模型预测按种族、孕产妇体重指数、产前保健充分性、婚姻状况及教育程度进行分层,以评估亚群差异。
统计分析方面,针对三个研究目标分别实施:(1)全国趋势预测——基于2009–2022年月度聚合不良出生结局率训练多层感知器模型,生成2024–2030年点预测;(2)高风险亚群识别——将相同模型架构分别应用于按种族、体重指数、教育程度、产前保健充分性及婚姻状况定义的亚群,报告亚群特异性预测及均方根误差;(3)个体预测变量贡献度量——采用逐变量剔除法,比较移除各变量时的均方根误差变化。时间序列模型的分析单位为月份,个体出生记录聚合为2009年1月至2023年12月共180个月度观测值。季节性及滞后结构通过自相关函数分析及时间序列分解评估。数据集划分为2009–2022年训练期及2023年独立验证期,2023年验证期信息直至模型开发及配置选择完成后才用于最终评估。
研究结果显示,2009至2023年美国生命统计数据揭示不良出生结局存在季节性模式,每年首尾出现峰值,提示冬季风险升高,夏季出现次高峰,与较高早产率一致,季节性峰值超出年均值约0.3至0.5个百分点,以1月和12月最高。57,900万例出生中,不良出生结局患病率从14.9%升至15.49%,死亡率从2009年每万例33例降至2023年每万例22例。不良出生结局在黑人和美洲印第安人/阿拉斯加原住民母亲、低体重指数母亲、低教育程度母亲及产前保健不足母亲中发生率最高。2022年数据显示,年轻母亲(<25岁)患病率最高(17.6%),其次为高龄母亲(>34岁,15.0%);吸烟者不良出生结局显著更高(25.1% vs. 15.1%);产前保健不足者风险近乎翻倍(29.9% vs. 14.3%);存在妊娠相关预测变量者患病率升至21.1%(对照12.5%);短生育间隔(<2年)亦与较高不良出生结局相关(20.0% vs. 14.2%)。不良出生结局患病率随教育程度升高而降低(低:18.0%,中:15.8%,高:12.4%),未婚母亲(19.1%)高于已婚者(13.6%)。种族差异显著,黑人最高(22.3%),其次为美洲印第安人/阿拉斯加原住民(17.8%),亚裔/太平洋岛民最低。
时间序列分析方面,多层感知器模型显示观察期内总体不良出生结局逐渐增加,模型预测显示该趋势将持续。早产和低出生体重是总体不良出生结局的主要贡献因素,而低5分钟Apgar评分和新生儿死亡贡献相对较小。早产呈现长期周期性模式,提示结构性及环境持续驱动因素的贡献模式。妊娠相关疾病及高龄孕产妇(>34岁)对模型性能预测贡献最大,且呈渐进上升趋势。短生育间隔(<2年)与较高预测不良出生结局率持续相关;相反,孕产妇吸烟率大幅下降,对未来率的影响随之减弱。
种族及族裔差异方面,黑人母亲持续经历最高不良出生结局负担。美洲印第安人/阿拉斯加原住民母亲呈现变化的时间模式,观察期内不良出生结局率下降,但模型预测显示预测期末新生儿死亡将上升,可能与妊娠相关疾病患病率随时间增加有关。白人母亲不良出生结局初始上升后预测下降,亚裔/太平洋岛民母亲持续经历最低不良出生结局率,但其相对改善幅度小于白人和美洲印第安人/阿拉斯加原住民群体。黑人母亲儿童死亡预测降幅最大,而美洲印第安人/阿拉斯加原住民儿童死亡预测可能于预测期末超过所有其他群体。
教育差异方面,低教育程度母亲不良出生结局患病率最高,且2009至2023年间差异扩大。各教育水平低出生体重均上升,但低教育程度母亲最为突出,其早产率和婴儿死亡率亦最高。预测期内,死亡轨迹按教育程度分化:高教育程度母亲死亡下降,低教育程度母亲反弹。早产率低教育组持续最快增长,而高教育程度母亲趋于稳定或下降。上述差异伴随妊娠相关风险因素增加及低教育程度母亲持续存在的短生育间隔。
产前保健充分性方面,充分产前保健利用 varies by maternal age, with older mothers more likely to receive adequate care. 接受充分产前保健者吸烟率降幅最大,但该组亦呈现更高妊娠相关风险,反映对高风险妊娠的目标性照护。产前保健不足者更可能出现短生育间隔(<2年),导致不良出生结局风险升高。
孕产妇体重指数及婚姻状况方面,体重不足母亲(BMI < 18.5)多种不良出生结局预测大幅增加,尤以预测期为甚。婚姻状况分析显示已婚母亲不良出生结局趋势上升,未婚母亲观察期及预测期大多时间呈下降趋势,但预测最后一年逆转。
预测变量贡献及模型性能方面,多层感知器模型识别妊娠相关疾病及高龄孕产妇(>34岁)为不良出生结局最具影响力的预测变量,2023年对应患病率分别为35.39%和20.91%。其他贡献因素包括低体重指数(<18.5%)、低教育程度及短生育间隔(<2年)。模型总体均方根误差为0.181,鉴于2009至2023年不良出生结局率维持在14.9%至15.5%之间,该误差约相当于0.18个百分点。特定亚群预测性能降低,包括美洲印第安人/阿拉斯加原住民母亲、体重不足母亲及产前保健不足母亲,反映较小或更高风险人群的预测不确定性增加。
讨论部分,研究指出妊娠相关疾病及高龄孕产妇预测贡献最大,凸显美国高风险妊娠特征的上升趋势。美洲印第安人/阿拉斯加原住民母亲、体重不足母亲及产前保健不足母亲预测准确性降低,可能源于结构性不平等、亚群规模较小及风险特征异质性增大。研究设计针对人群层面预测建模而非因果推断,模型用于预测及风险分层而非解释结局成因,亚群模式应解读为人群层面预测信号而非因果效应或个体化临床风险估计。
观察到的季节性不良出生结局高峰,结合美洲印第安人/阿拉斯加原住民及体重不足人群至2030年的预测增长,提示针对性干预——改善孕产妇营养、产前保健可及性及优化生育间隔——可能尤为有效。研究展示了时间序列多层感知器神经网络在预测不良出生结局及识别脆弱群体方面的效用,能够标记风险亚群并凸显简单趋势线难以显现的模式。2009至2023年间,不良出生结局患病率轻微上升,种族、孕产妇体重指数、教育程度及产前保健可及性方面的持续不平等尤为突出。
多层感知器模型识别妊娠相关并发症及高龄孕产妇(>34岁)为不良出生结局最强预测贡献因素。体重不足母亲及低教育程度母亲面临早产、低出生体重及新生儿死亡的过高风险。短生育间隔及产前保健不足进一步加剧上述风险。这些发现凸显了预测模型捕捉的生物学、社会及结构性因素间的复杂关联,而传统流行病学方法可能无法充分捕捉。时间序列分析揭示季节性模式,冬季月份不良出生结局率较高,可能源于环境压力源、传染病流行及温度相关胎儿生长影响。至2030年的预测表明美洲印第安人/阿拉斯加原住民母亲及体重不足人群结局恶化,强调针对性干预的必要性。
多层感知器模型的预测性能可支持公共卫生监测及孕产妇健康规划,帮助识别风险升高人群并指导人群层面孕产妇健康资源配置。将机器学习驱动预测整合入公共卫生策略,支持符合可持续发展目标3的数据驱动决策。预测建模对改善孕产妇及新生儿健康具有价值,但持续的种族及社会经济差异表明需要针对性、公平导向的干预。关键可声优modifiable预测变量包括妊娠相关并发症、高龄孕产妇、体重不足状态、产前保健不足及低教育程度。机器学习模型可支持人群层面风险监测及孕产妇健康资源规划,观察到的季节性模式提示时间敏感性预防策略的机会。
研究局限性方面,复合不良出生结局由四种指标定义,可能未能涵盖所有不良妊娠结局;研究时段(2009–2023年)可能限制长期趋势评估;多层感知器模型虽预测性能良好,但可能无法完全捕捉变量间复杂关系,尤以美洲印第安人/阿拉斯加原住民母亲及体重不足女性等小亚群为甚;模型预测依赖历史数据趋势,可能受全球健康危机或政策变化等意外事件影响;遗传倾向及环境暴露等部分混杂因素因数据限制未纳入;某些高风险人群代表性不足,可能影响预测泛化性;验证策略仅使用单一年份(2023年)作为验证集,滚动原点或时间序列交叉验证将提供更稳健的预测稳定性评估;2024–2030年预测未估计正式预测区间或不确定带,预测不确定性可能被低估,尤以小亚群为甚;小亚群预测轨迹在预测期附近出现突变,可能源于数据稀少和外推伪影而非真实未来信号;复合不良出生结局率15%,类别不平衡不严重,未采用再平衡技术;分析使用聚合率,发现为生态学层面,可能无法推广至个体患者;新冠疫情年份(2020–2021年)可能导致出生结局和医疗可及性的突然转变,模型未专门针对此类结构断点进行检验;缺乏其他国家或时段的外部验证;预测仅供人群层面监测和规划,不适用于个体临床决策。
研究结论:时间序列多层感知器神经网络为预测美国不良出生结局及识别风险升高人群提供了有用方法。通过纵向利用生命统计数据,研究凸显了不良出生结局的关键预测因素,包括妊娠相关并发症、高龄孕产妇、低体重指数、产前保健不足及低教育程度。结构性不平等导致持续的种族差异,强调需要针对性、公平导向的干预。未来研究应纳入额外预测变量、延长分析时段并在多样人群中评估模型性能。预测建模方法可支持孕产妇健康监测、资源分配及旨在减少孕产妇和新生儿结局差异的人群层面公共卫生规划。