پیش‌بینی وقوع زایمان زودرس و تعیین عوامل خطر آن به‌صورت شخصی با استفاده از مدل یادگیری ماشینی تفسیرپذیر

Abstract

مقدمه و اهداف: شناسایی زنان بارداری که در معرض زایمان زودرس هستند و همچنین تعیین عوامل خطر موثر برآن، امری ضروری است که در سلامت نوزادان تاثیرگذار است. این مطالعه با هدف به‌کارگیری نوعی از مدل یادگیری ماشینی تفسیرپذیر برای پیش‌بینی زایمان زودرس انجام شد. روش‌کار: این مطالعه به‌صورت مقطعی انجام شد و از داده‌های 149350 مورد تولد شهر تهران در سال 1399 از مجموعه داده‌ شبکه‌ مادران و نوزادان ایران (IMaN) استفاده گردید. در این مطالعه، عوامل مختلف وابسته به مادر و جنین مانند متغیرهای جمعیت‌شناختی مادر نوزاد، وضعیت سلامت و سوابق بیماری مادر، شرایط بارداری، زایمان و خطرات آن استفاده شد. پس از پیش‌پردازش و آماده‌سازی داده‌ها، از مدل‌های یادگیری ماشینی شبکه عصبی چندلایه، جنگل تصادفی و XGBoost برای پیش‌بینی وقوع زایمان زودرس استفاده گردید. مدل‌ها بر اساس معیارهای دقت، حساسیت، ویژگی و سطح زیر منحنی راک ارزیابی شدند. برای تحلیل داده‌ها از زبان برنامه‌نویسی پایتون نسخه0-10-3 استفاده شد. یافته‌ها: 8/67 درصد از رخداد زایمان‌ها، زودرس بودند. بالاترین دقت پیش‌بینی (0/90) مربوط به الگوریتم XGBoost بود. در تفسیر خروجی مدل برای یک خانم باردار با مقادیر مشخص برای متغیرها، مهم­ترین متغیر، با امتیاز اهمیت 46 درصد، متغیر چندقلویی و پس از آن عوامل خطر زایمان، با امتیاز اهمیت 41 درصد بود و متغیرهای دیگر نظیر بیماری اعصاب و روان، پره اکلامپسی و بیماری قلبی عروقی در رده‌های بعدی اهمیت برای این فرد خاص بودند. نتیجه‌گیری: استفاده از روش یادگیری ماشینی تفسیر‌پذیر توانست وقوع زایمان زودرس را پیش‌بینی نماید. این روش می‌تواند توصیه‌های پیشگیرانه مختص هر زن باردار را، مبتنی ‌بر عوامل خطر و با هدف جلوگیری از زایمان زودرس ارائه کند.