Modeli mašinskog učenja za predviđanje preeklampsije: sistematski pregled.
BMC pregnancy and childbirth
Sažetak istraživanja
Pozadina Ovaj sistematski pregled pruža pregled pristupa mašinskom učenju (ML) za predviđanje preeklampsije. Metoda Ovaj pregled se pridržavao smjernica Preferred Reporting Items za sistematske preglede i meta-analize (PRISMA). Pretražili smo Cochrane Central Register, PubMed, EMBASE, ProQuest, Scopus i Google Scholar do februara 2023. Termini za pretraživanje bili su ograničeni na "preeklampsija" I "vještačka inteligencija" ILI "mašinsko učenje" ILI "duboko učenje". Sve studije koje su koristile analizu zasnovanu na ML za predviđanje preeklampsije kod trudnica su uzete u obzir. Članci koji nisu na engleskom i oni koji nisu povezani s temom su isključeni. PROBAST je korišten za procjenu rizika od pristrasnosti i primjenjivosti svake uključene studije.
Rezultati Strategija pretraživanja dala je 128 citata; nakon što su duplikati uklonjeni i pregled naslova i sažetka završen, 18 članaka u punom tekstu je ocijenjeno za podobnost. Četiri studije su uključene u ovaj pregled. Dvije studije su imale niski rizik od pristranosti, a dvije su imale nizak do umjeren rizik. Svi uključeni dizajni studija bili su retrospektivne kohortne studije. Devet različitih modela odabrano je kao ML modeli iz četiri studije. Karakteristike majke, anamneza, uzimanje lijekova, akušerska anamneza i laboratorijski i ultrazvučni nalazi dobijeni tokom prenatalnih posjeta bili su kandidati za predviđanje za obuku modela ML. Elastična mreža, stohastičko povećanje gradijenta, ekstremno povećanje gradijenta i slučajna šuma bili su među najboljim modelima za predviđanje preeklampsije. Sve četiri studije koristile su metrike kao što su površina ispod krive, istinska pozitivna stopa, negativna pozitivna stopa, tačnost, preciznost, pamćenje i F1 rezultat. AUC modela ML varirao je od 0,860 do 0,973 u četiri studije.
Zaključak Rezultati studija su dali visoke performanse predviđanja ML modela za rizik od preeklampsije na osnovu rutinskih informacija o ranoj trudnoći.
Prikaži originalni naslov i sažetak na engleskom
Machine learning models for predicting preeclampsia: a systematic review.
Background This systematic review provides an overview of machine learning (ML) approaches for predicting preeclampsia.
Method This review adhered to the Preferred Reporting Items for Systematic Reviews and Meta-Analyzes (PRISMA) guidelines. We searched the Cochrane Central Register, PubMed, EMBASE, ProQuest, Scopus, and Google Scholar up to February 2023. Search terms were limited to "preeclampsia" AND "artificial intelligence" OR "machine learning" OR "deep learning." All studies that used ML-based analysis for predicting preeclampsia in pregnant women were considered. Non-English articles and those that are unrelated to the topic were excluded. The PROBAST was used to assess the risk of bias and applicability of each included study.
Results The search strategy yielded 128 citations; after duplicates were removed and title and abstract screening was completed, 18 full-text articles were evaluated for eligibility. Four studies were included in this review. Two studies were at low risk of bias, and two had low to moderate risk. All of the study designs included were retrospective cohort studies. Nine distinct models were chosen as ML models from the four studies. Maternal characteristics, medical history, medication intake, obstetrical history, and laboratory and ultrasound findings obtained during prenatal care visits were candidate predictors to train the ML model. Elastic net, stochastic gradient boosting, extreme gradient boosting, and Random forest were among the best models to predict preeclampsia. All four studies used metrics such as the area under the curve, true positive rate, negative positive rate, accuracy, precision, recall, and F1 score. The AUC of ML models varied from 0.860 to 0.973 in four studies.
Conclusion The results of studies yielded high prediction performance of ML models for preeclampsia risk from routine early pregnancy information.
Izvorni podaci
- DOI
- 10.1186/s12884-023-06220-1
- PMID
- 38166801
- PMCID
- PMC10759509
- Provjereno
- 2026-07-26
Naslov i sažetak prevedeni su automatski i prijevod može sadržavati netačnosti ili neprecizne stručne izraze. Za sve detalje, citiranje i medicinsko tumačenje pregledajte originalnu englesku verziju članka. Ne donosite zdravstvene odluke samo na osnovu ovog prijevoda.
Pregledaj originalni članak na engleskom