# 基于机器学习算法的足月妊娠引产结局预测模型的建立 ***痛点：本篇文章引用于scientific reports的论文，该研究的建立基于Logistic回归算法的OT引产预测模型，具有响应速度快、准确率高、外推性强特点，对于产科临床护理具有重要意义。*** ***场景：机器学习在产科临床护理上的具体应用*** 随着人工智能和医疗信息技术的发展，大量的机器学习算法被应用到预测模型的疾病风险评估中。例如，一些研究将机器学习技术应用于以下风险：谵妄、护理用药错误、再次入住重症监护病房 (ICU)、压疮、跌倒，甚至抑郁症自杀，并取得了令人满意的结果，从而证明了基于机器学习的模型是有效的。 本研究旨在探讨影响 OT 引产结果的因素。将人群分为初产妇和经产妇组，基于机器学习算法对引产结局进行前瞻性预测，为引产前的会诊、分类、风险分层和分娩计划提供依据。 ## 项目介绍 足月妊娠引产是指采用药物等方式引产进行分娩。当自然分娩不能自然启动时，它是产科处理高危妊娠最常用的方法之一。催产素（OT）临床应用广泛，用途广泛，易于控制，是最安全的引产药物，可用于所有需要引产的孕妇。通常，足月引产是产科的主要挑战之一，而引产的成功是影响胎儿存活的主要因素。 目前，Bishop评分常用于评估引产结果，包括宫颈状况和评估宫颈方向、宫颈质地、宫口扩张和胎儿脱垂。然而，这种方法在 OT 诱导分娩方面有局限性。它只能表明阴道宫颈的情况，不能反映孕妇的整体分娩进度。此外，由于个体主观因素和临床经验，检测到差异；Bishop评分用于评估引产成功与否，存在主观性强、易出错的缺点。一些研究发现 Bishop 评分是引产成功的标准，但也有很多缺点。因此，在本研究中，我们旨在寻找有效的手段和各种临床指标，提高引产预测的准确性。 文献回顾发现以往研究存在以下局限：①首先，对OT引产结局缺乏准确、系统的早期预测。多项研究表明，传统的Bishop评分已不适用于产科诊疗的现状。②其次，以往的研究存在样本量大、未纳入预测因素等缺陷，影响了模型的准确性。③一些研究提出使用超声参数、宫颈弹性成像和胎儿纤连蛋白来预测引产成功的概率，从而提高了模型的准确性。然而，这些变量并非适用于所有医疗机构；因此，该预测模型的临床应用受到限制。④此外，文献报道的预测模型大多基于传统的逻辑回归方法。然而，许多影响引产结果的指标呈现出复杂的相互关系。为了预测引产的成功，需要考虑分娩过程的完整性、复杂性和动态性以及各种风险因素之间的非线性协同作用。传统的统计预警模型很难满足这些要求。机器学习算法在处理多元非线性数据方面具有许多优势，但尚无研究将机器学习应用于 OT 引产结果。 这是一项回顾性队列研究设计。从2019年1月开始，温州医科大学附属第一医院产科的怀孕参与者在分娩过程中使用OT引产。参与者根据分娩数量分为两组：初产妇和经产妇。 本研究的纳入标准如下：孕周≥37周，≤41周；无严重妊娠并发症；OT 引产；患者及其家属已知情同意OT引产计划。 排除标准如下： 有阴道分娩禁忌症（如头盆不称、骨盆严重收缩、胎位异常、胎儿宫内窘迫、前置胎盘等）；OT使用禁忌症（如胎位异常、明显的头盆不称、产前出血、妊娠合并严重心肺功能不全）；临床资料不全。 所有参与者均接受低剂量 OT 诱导治疗或结合 Cook 球囊治疗，如下所述： 医生评估了孕妇的骨盆和子宫颈的状况。如果Bishop评分<6，则通过cook球囊诱导宫颈成熟，并观察子宫收缩。如果子宫收缩不规则，则将OT（2.5 U）加入0.5%生理盐水（NS）（500 mL）中静脉滴注（流速5滴/分钟，最大滴速40滴/分钟）。如果 Bishop 评分 > 6，则子宫收缩、OT 和下降率条件与上述相同。 参与者被分为初产妇和经产妇组。因变量为引产结果，分为0和1的二元结果。因此，引产成功记为1，引产失败记为0。引产成功为定义为 OT 给药后 3 天内分娩，而引产失败定义为 3 天后无临产指征。 ### 伦理批准 实验方案经温州医科大学伦理委员会批准（编号：2019089）。我们确认所有方法均按照相关指南进行，并获得了研究中所有参与者的书面知情同意书。 ### 数据可用性 当前研究中使用的数据集可根据合理要求从相应的作者处获得。 ## 预测器和数据预处理 文献回顾和专家小组的知识确定了 18 个可能影响 OT 引产结果的因素，包括年龄、身高、体重、体重指数、胎龄、剖宫产次数、流产次数、Bishop 评分、胎儿体重、羊水指数、羊水污染度、B超数据（胎儿头围、胎儿腹围、胎儿双顶径、胎儿骨长）、母体宫高、母体腹围、胎膜状态、产程镇痛。这些数据是从电子病历系统中检索的。 其中年龄、身高等13个变量为数值变量，分娩镇痛、胎膜状态、羊水污染为二分变量。输入分配的值，如表1所示。  表1:引产中产妇的特征 ## 建模变量的筛选 本研究采用非条件逻辑回归方法，通过单变量和多变量分析，选择具有统计学意义的自变量；OT诱导为因变量，18个疑似OT诱导因素为自变量。对于本研究中的逻辑回归和朴素贝叶斯模型，先进行单因素分析，结果如表1所示。对具有统计学意义（*P* <0.10）的变量进行非条件多变量分析，将非条件多变量分析具有统计学意义（*P* <0.10）的变量纳入建模变量（表2）。  表2:多变量逻辑逐步回归分析的结果 ### 基于机器学习算法建立OT诱导分娩结果预测模型 四种机器学习算法，包括逻辑回归、朴素贝叶斯、支持向量机 (SVM) 和 AdaBoost 算法，被用于建立初产妇和经产妇 OT 诱发分娩结果的预警模型。网格搜索方法（GridsearchCV）用于调整最优参数。AdaBoost模型的核心参数设置如下：迭代次数设置为200，选择学习率为0.1，学习者数量设置为30，最大类数设置为20，其他参数被设置为默认值。逻辑回归模型的核心参数如下：训练函数fitglm，分类器个数10，叶节点最大个数none，节点划分最小杂质10 ^-7^ , 抽样方法为 bootstrap。朴素贝叶斯模型和 SVM 都使用高斯径向核函数 (RBF) 来训练和预测数据。 ### 预测模型的评估 接受者操作特征 (ROC) 曲线的曲线下面积 (AUC)、灵敏度、特异性和 F1 分数用于评估模型的性能。 ### 预测模型的临床前瞻性验证 选取两组表现最好的预测模型进行外部验证，收集2020年1-3月在同一医院使用OT引产的孕妇数据。比较实际引产临床结局与预测模型决策结果的差异，用准确率（%）表示。 ## 统计方法 采用SPSS22.0进行数据分析。对OT引产的18个影响因素及结局进行logistic单因素分析。根据单因素分析结果，采用逐步回归的方法筛选变量；*P* <0.1 表示差异具有统计学意义。基于MATLAB 2019B建立和验证不同类型的机器学习算法。 ## 基线特征 本研究共纳入 907 名参与者。排除 74 名数据缺失的参与者（31 名预测因素，43 名结果），排除 26 名因其他原因引产失败的参与者 [13 名参与者（社会因素）和 8 名参与者（胎儿窘迫）]，495 名初产妇和 312 名经产妇包括本研究的队列（图1）  图1:研究人群选择的流程图 表1显示了按引产结果对495名初产妇和312名产妇进行分层。 ## 识别特征重要性 初产妇单因素分析结果显示，年龄、身高、体重、羊水污染、腹围、骨长、Bishop评分差异有统计学意义（*P*  < 0.10）。经单因素分析结果显示，经产妇在年龄、身高、头围、腹围、Bishop评分等方面差异有统计学意义（ *P* < 0.10）。变量赋值及单变量回归分析结果见表1。 然后，统计上显着的因素被认为是非条件多变量分析的自变量。结果表明，单变量分析中具有统计学意义的变量是OT引产结局的独立影响因素。多元回归分析结果见表2。 ## 基于四种机器学习算法的OT诱导分娩结果预测模型结果比较 与其他三种模型相比，逻辑回归算法在初产妇和经产妇组均获得了更好的结果。初产妇组结果显示，逻辑回归模型准确率为0.903，召回率为0.986，准确率为0.908，F1值为0.943。多参数组模型准确率为0.971，召回率为0.993，准确率为0.977，F1值为0.982（表3）。  表3:4种机器学习算法的OT诱导分娩结果预测模型结果比较 初产妇和经产妇逻辑回归模型的AUC分别为0.84和0.89（图2）。  图2:初产妇和经产妇逻辑回归模型的ROC曲线 ## 模型验证结果 选择最佳逻辑回归算法进行外部临床验证。该队列包括 2020 年 1 月至 3 月的 159 例 OT 引产初产妇。在 159 例中，引产成功 139 例，引产失败 20 例。模型预测“引产成功”的准确率最高，达到94.24%，“引产失败”的预测准确率为65.00%。在多产妇组中，2020年1-3月96例OT引产多产妇对logistic回归预测模型进行了临床验证。96例中，引产成功87例，失败9例。该模型预测“引产成功”的准确率最高，达到96.55%，其次是预测“引产失败”（66.67%）。  表4:预测模型的外部验证结果 ## 模型变量的排序 初产妇逻辑回归预测模型中纳入的变量分布如图3所示。身高、羊水污染、Bishop 评分、年龄、骨长、体重和腹围等变量对模型的贡献非常大。  图3:初产妇逻辑回归模型变量排序 多参数逻辑回归预测模型中纳入的变量分布如图4所示。身高、Bishop 评分、年龄、腹围和头围等变量对模型的贡献很大。  图4:多参数逻辑回归模型变量排序 ### 模型的预测性能 在初产妇和经产妇组中，逻辑回归算法表现较好，预测结果明显优于其他三种算法。作为一种经典的机器学习算法，它已经有几十年的历史了。训练速度快，简单易懂，适用于二分类问题。在医学领域广泛应用于早期诊断和风险预测，如“基于正则化逻辑回归的阿尔茨海默病分类”、“术后低蛋白血症风险预测”等。本研究中变量之间的相关性复杂，对模型的响应速度和精度要求较高。因此，基于逻辑回归模型建立OT引产结局模型更有优势。在这项研究中，根据实际分娩结果将因变量分为“引产成功”和“引产失败”两类。在模型的临床验证中，“引产成功”的预测准确率在两组中最高，分别达到94.24%和96.55%。支持OT引产治疗的风险决策，模型预测的高危人群可进一步增强医护人员的风险意识，相应增加人员配备和麻醉，为分娩做好准备。模型中“引产失败”的阳性预测值较低，可能受训练样本数量少和产妇心理因素影响，如紧张、恐惧、焦虑等情绪，对 OT 诱发的分娩失败有显着影响。但由于是回顾性研究，无法获得产妇心理状态等相关数据，从而影响模型对“引产失败”的预测准确性。^^ ### 影响OT引产结局相关因素的探讨 结果显示，影响OT引产结局的因素有年龄、身高、体重、羊水污染、胎儿头围、大腿长度Bishop评分。这符合临床医务人员对产前评估指标和产前观察指导的要求，说明本研究建立的产前分娩结局模型模拟了临床思维，建模结果具有较高的可信度。 身高、年龄、体重、羊水污染和 Bishop 评分是预测 OT 引产结果的关键变量，这与之前的研究一致。 几项研究表明，母亲身高与引产结果之间存在显着相关性。与矮个子相比，个子高的女性引产成功率更高。这可能与身材矮小的女性骨盆入口较窄有关，胎儿难以顺利通过骨盆入口平面，造成难产，增加剖宫产的风险。 本研究中，引产成功组身高>155cm的比例高于引产失败组，提示身高可作为预测引产效果的指标之一；这一发现与之前的研究结果一致。 由于子宫内缺氧，大脑无法控制放松肛门括约肌的下中枢。在子宫收缩的压力下，胎粪被排出体外，导致羊水污染。 此外，该研究表明，有阴道分娩史的孕妇在后续分娩中成功引产的概率显着增加，这与本研究结果一致。 总之，除Bishop评分外，上述因素也可纳入评价体系，进一步提高临床OT引产评价中的预测准确性。 胎儿骨长和胎儿头围是本研究与OT引产结局相关的新发现，但文献中尚无类似报道 胎儿骨长、胎儿头围是本研究新发现的与OT引产结局相关的因素，可能与胎儿体重的侧向反映有关。虽然本研究未包括胎儿体重，但胎儿骨长和胎儿头围在B超结果中反映了这一因素。目前，关于胎儿骨长和胎儿头围对 OT 引产结果的影响尚未达成共识，需要进行更多研究以确定相互关系。 ## 结论 本研究将受试者分为初产妇组和经产妇组，考虑到不同分娩时间对引产结果有显着影响，具有科学性和实用性。该方法的优势在于：提高了青年医生和基层医院的诊疗水平，并根据预测模型分析的结果，帮助他们对孕妇引产治疗的风险进行个体化认识。从而指导临床医生选择引产方式，提高引产成功率，降低剖宫产率和围产儿死亡率。它提高了医生对患者解释的可信度。有趣的是，当医生推荐 OT 引产时，孕妇及其家人想知道治疗的风险和成功引产的可能性；然而，医生们只能提供不确定的主观答案。有了这个模型，我们可以使用机器学习算法准确地计算出定量预测结果，为患者提供一个自信的答案。 当然本次研究也有其局限性：(1) 由于产妇心理状态等主观因素的影响，本研究预测模型的准确性受到影响。 (2) 本研究为单中心回顾性研究，未来应通过多地、大样本的前瞻性研究进一步验证。 本研究构建了初产妇和经产妇OT引产结局预测模型，在Bishop评分的基础上纳入了年龄、身高、羊水污染等变量，大大提高了OT引产的预测性能。该模型。在模型的临床应用中，临床医务人员可以根据孕妇的实际情况选择相应的模型来预测OT引产的效果。在未来的研究中，该模型可以嵌入到信息系统中，有望进一步发展成为医务人员在做出临床决策时的主动预警系统。 ### 参考 1 Saccone, G. *et al.* Induction of labor at full-term in pregnant women with uncomplicated singleton pregnancy: A systematic review and meta-analysis of randomized trials. *Acta Obstet Gynecol Scand.* **98** (8), 958–966. [https://doi.org/10.1111/aogs.13561](https://doi.org/10.1111/aogs.13561) (2019). 2 Page, K., McCool, W. F. & Guidera, M. Examination of the pharmacology of oxytocin and clinical guidelines for use in labor. *J. Midwifery Womens Health* **62** (4), 425–433. [https://doi.org/10.1111/jmwh.12610](https://doi.org/10.1111/jmwh.12610) (2017). 3 Wormer, K. C., Bauer, A., Williford, A. E. Bishop Score. 2021 Sep 9. In: StatPearls [Internet]. Treasure Island (FL): StatPearls Publishing; 2021 Jan. PMID: 29261961. 4 Hostinská, E., Lubušký, M., Huml, K. & Pilka, R. Cervix skóre dle Bishopa a jeho modifikace [Original Bishop score with modifications]. *Ceska Gynekol.* **81** (6), 426–430 (2016). 5 Deo, R. C. Machine learning in medicine. *Circulation* **132** (20), 1920–1930. [https://doi.org/10.1161/CIRCULATIONAHA.115.001593](https://doi.org/10.1161/CIRCULATIONAHA.115.001593) (2015). 6 Wassenaar, A. *et al.* Delirium prediction in the intensive care unit: Comparison of two delirium prediction models. *Crit Care.* **22** (1), 114. [https://doi.org/10.1186/s13054-018-2037-6](https://doi.org/10.1186/s13054-018-2037-6) (2018). 7 Chang, Y. K. & Mark, B. A. Antecedents of severe and nonsevere medication errors. *J. Nurs. Scholarsh.* **41** (1), 70–78. [https://doi.org/10.1111/j.1547-5069.2009.01253.x](https://doi.org/10.1111/j.1547-5069.2009.01253.x) (2009). 8 Farag, A., Vogelsmeier, A., Knox, K., Perkhounkova, Y. & Burant, C. Predictors of nursing home nurses’ willingness to report medication near-misses. *J. Gerontol. Nurs.* **46** (4), 21–30. [https://doi.org/10.3928/00989134-20200303-03](https://doi.org/10.3928/00989134-20200303-03) (2020). 9 Lee, H. *et al.* Efficacy of the APACHE II score at ICU discharge in predicting post-ICU mortality and ICU readmission in critically ill surgical patients. *Anaesth. Intens. Care* **43** (2), 175–186. [https://doi.org/10.1177/0310057X1504300206](https://doi.org/10.1177/0310057X1504300206) (2015). 10 Hyun, S. *et al.* Body mass index and pressure ulcers: Improved predictability of pressure ulcers in intensive care patients. *Am. J. Crit. Care* **23** (6), 494–500. [https://doi.org/10.4037/ajcc2014535](https://doi.org/10.4037/ajcc2014535) (2014). 11 Shih, D. F. *et al.* Flexible textile-based pressure sensing system applied in the operating room for pressure injury monitoring of cardiac operation patients. *Sensors* **20** (16), 4619. [https://doi.org/10.3390/s20164619](https://doi.org/10.3390/s20164619) (2020). 12 Park, S. H. Tools for assessing fall risk in the elderly: A systematic review and meta-analysis. *Aging Clin. Exp. Res.* **30** (1), 1–16. [https://doi.org/10.1007/s40520-017-0749-0](https://doi.org/10.1007/s40520-017-0749-0) (2018). 1. 13 Koutsouleris, N., Kambeitz-Ilankovic, L., Ruhrmann, S., Rosen, M., Ruef, A., Dwyer, D. B., Paolini, M., Chisholm, K., Kambeitz, J., Haidl, T., Schmidt, A., Gillam, J., Schultze-Lutter, F., Falkai, P., Reiser, M., Riecher-Rössler, A., Upthegrove, R., Hietala, J., Salokangas, R. K. R., Pantelis, C., Meisenzahl, E., Wood, S. J., Beque, D., Brambilla, P., Borgwardt, S., PRONIA Consortium. Prediction models of functional outcomes for individuals in the clinical high-risk state for psychosis or with recent-onset depression: A multimodal, multisite machine learning analysis. *JAMA Psychiatry* . **75** (11), 1156–1172. [https://doi.org/10.1001/jamapsychiatry.2018.2165](https://doi.org/10.1001/jamapsychiatry.2018.2165) (2018). Erratum in: *JAMA Psychiatry* . **76** (5), 550. PMID: 30267047; PMCID: PMC6248111 (2019). 17 Freret, T. S., Woods, G. T., James, K. E., Kaimal, A. J. & Clapp, M. A. Incidence of and risk factors for failed induction of labor using a contemporary definition. *Obstet. Gynecol.* **137** (3), 497–504. [https://doi.org/10.1097/AOG.0000000000004257](https://doi.org/10.1097/AOG.0000000000004257) (2021).