基于连续型隐马尔可夫模型的新生儿出生缺陷风险状态预测:出生队列研究OA
目的为克服现有基于全孕期平均暴露的静态预测模型预测新生儿出生缺陷的局限性,本研究将连续型隐马尔可夫模型(Continuous Hidden Markov Model,CHMM)应用于新生儿出生缺陷的风险预测,为精确预测新生儿出生缺陷的模型选择和开发提供坚实的理论和实践基础。方法基于前瞻性队列研究数据,利用孕早期数据通过无监督学习构建了CHMM,并将其与Logistic回归、支持向量机、随机森林和决策树模型进行了预测性能对比。评价指标包括:曲线下面积(area under the curve,AUC)、阳性预测值、灵敏度(召回率)、特异度、准确率、F1分数等13个指标。结果与传统机器学习模型相比,CHMM在阳性预测值、准确率、分类错误率等关键指标上更具优势,且孕晚期与孕中期的结果一致。决策曲线分析表明,CHMM在孕中期和孕晚期呈现出最高的净效益。结论与传统的机器学习模型相比,CHMM在预测胎儿在孕中期、孕晚期出生缺陷风险状态方面具有优越性,为临床和公共卫生领域提供了有价值的预测工具。
高佳桐;康晨曦;张镭腾;陈佳音;郝嘉怡;葛晨曙;全满;裴磊磊;任琳
西安交通大学医学部公共卫生学院流行病与卫生统计学系,陕西西安710061通用医疗秦岭医院,陕西咸阳713100西安交通大学医学部公共卫生学院流行病与卫生统计学系,陕西西安710061西安交通大学医学部公共卫生学院流行病与卫生统计学系,陕西西安710061西安交通大学医学部公共卫生学院流行病与卫生统计学系,陕西西安710061西安交通大学医学部公共卫生学院流行病与卫生统计学系,陕西西安710061西安交通大学医学部公共卫生学院流行病与卫生统计学系,陕西西安710061西安交通大学医学部公共卫生学院流行病与卫生统计学系,陕西西安710061西安市人民医院/西安市第四医院质管科,陕西西安710004
医药卫生
出生缺陷连续型隐马尔可夫模型(CHMM)机器学习高斯混合模型预测模型
《西安交通大学学报(医学版)》 2026 (5)
P.967-976,10
国家自然科学基金资助项目(No.72174167)陕西省自然科学基金资助项目(No.2021JM-031)陕西省重点研发计划资助项目(No.2022ZDLSF03-10)。
评论