基于麻雀优化算法与概率神经网络的妊娠风险预测研究

目的使用麻雀优化算法(SSA)优化的概率神经网络(PNN)预测妊娠风险,保证孕妇和未出生婴儿健康。方法传统的分类模型存在分类准确率不高的问题,使用麻雀优化算法(SSA)优化的概率神经网络(PNN)预测妊娠风险水平,并与一些经典的人工智能分类模型作比较。结果SSA-PNN能够更加准确地预测妊娠期间孕妇的风险水平。结论SSA-PNN模型可以为妇产科的医护人员对孕妇的健康监测行为提供决策支持。

基于孕前危险因素的妊娠期糖尿病风险预测模型的构建及效能验证

目的构建基于孕前危险因素的妊娠期糖尿病(GDM)风险预测模型并验证其预测效能。方法收集1762例孕妇的临床资料,根据口服葡萄糖耐量试验结果,将孕妇分为GDM组792例和糖耐量正常组970例。比较两组孕妇年龄、孕次、孕前空腹血糖、孕前血压、孕前1年体质量增加量、孕前体质量指数(BMI)、孕前饮食及生活方式等。采用Logistic回归法分析影响GDM发生的孕前危险因素,构建基于孕前危险因素的GDM风险预测模型。采用受试者工作特征(ROC)曲线检验模型的预测效能。结果孕前年龄≥35岁(X_(1))、孕前舒张压≥80 mmHg(X_(2))、孕前空腹血糖≥5.1 mmol/L(X_(3))、孕前BMI≥24 kg/m^(2)(X_(5))、孕前1年体质量增加≥10 kg(X_(6))、家庭年收入≥30万元(X_(8))、孕次≥3次(X_(9))、孕前每日主食摄入量≥300 g(X_(10))、孕前喜食甜食(X_(11))、糖尿病家族史(X_(15))是影响GDM发生的孕前危险因素,孕前BMI<18.5 kg/m^(2)(X_(4))、文化程度高(X_(7))、孕前每日运动持续时间≥1 h(X_(12))、孕前高运动强度(X_(13))、孕前睡眠质量良好(X_(14))是保护性因素。根据变量回归系数,获得孕前预测GDM发生风险的模型方程:P_(GDM)=1/{1+exP[-(-0.083+1.060X_(1)+0.771X_(2)+1.022X_(3)-0.574X_(4)+0.567X_(5)+0.898X_(6)-0.720X_(7)+0.773X_(8)+0.869X_(9)+0.868X_(10)+1.827X_(11)-0.452X_(12)-0.942X_(13)-1.206X_(14)+0.662X_(15))]}。应用ROC曲线检验模型预测效能,ROC曲线下面积为0.854(95%CI 0.836~0.872)、灵敏度为0.708、特异度为0.856,Hosmer-Lemeshow拟合优度检验P=0.683。结论基于孕前危险因素的GDM风险预测模型具有较好的预测效能,有助于孕前筛查GDM高危人群。