基于机器学习的子痫前期预测模型构建

R714.24+4%TP181; 目的 采用CatBoost算法和逻辑回归(LR)算法构建子痫前期预测模型,以期为子痫前期高风险人群的早期防治提供参考.方法 选取 2012 年 1 月—2021 年 12 月于徐州市中心医院进行产检及分娩的孕产妇1 325 例作为研究对象,其中研究组为患有子痫前期的孕产妇 461 例,对照组为随机抽取的同期正常妊娠的孕产妇 864 例.收集孕产妇住院期间的体格检查、人口学特征以及血常规、尿常规和生化指标等资料进行回顾性分析,通过统计学分析筛选导致子痫前期发生的独立影响因素.纳入独立影响因素,通过网格搜索法寻找LR算法和CatBoost算法的最优参数构建预测模型,并对模型进行预测效果评价.结果 当C=100,penalty="l2",solver ="liblinear"时,LR模型达到最佳效果,AUC=0.976 9,准确度=0.944 7,精确度=0.959 0,召回率=0.873 1,F1= 0.914 1.当depth=5,iterations=500,l2_leaf_reg=1,learning_rate=0.1,rsm=0.5 时,CatBoost模型达到最佳效果,其AUC=0.983 0,准确度=0.952 3,精确度=0.967 5,召回率=0.888 1,F1=0.926 1.结论 2 种风险预测模型在预测性能上都有较好的表现,可以有效预测子痫前期的发生,有早期识别子痫前期的潜在应用价值.