应用机器学习方法建立大于胎龄儿预测模型

目的:尝试应用机器学习方法建立大于胎龄儿的风险预测模型。方法:回顾分析2013年1月1日至2014年12月31日于在浙江大学医学院附属妇产科医院规范产检并分娩的12683例孕妇的临床资料,包括孕妇年龄、身高、孕前体质量、孕期增重和各项化验结果及新生儿体重,运用Logistic回归和XGBoost两种机器学习算法构建大于胎龄儿的预测模型,评估这两种模型对大于胎龄儿预测的准确性。结果:XGBoost模型的受试者操作曲线的曲线下面积较大(0.92),Logistic回归模型较小(0.72),两者比较差异有统计学意义(P<0.05)。XGBoost模型的约登指数(0.63)、灵敏度(0.83)、特异度(0.80)均优于Logistic回归模型(0.34、0.65、0.68)(P均<0.05)。Logistic回归模型及XGBoost模型的阳性预测值均较低,分别为0.15、0.27。结论:机器学习方法(尤其是XGBoost)构建的模型预测大于胎龄儿的综合性能较强,具有潜在应用价值,值得进一步研究。