编辑推荐：
本研究针对卢旺达孕产妇和新生儿不良结局高发问题，利用电子病历数据构建机器学习模型，预测不良妊娠结局，为精准干预提供依据，助力实现可持续发展目标（SDGs）。
卢旺达的孕产妇和新生儿死亡率尽管在过去几十年间显著下降，但仍远高于发达国家水平，难以实现可持续发展目标（SDGs）中的相关指标。为了改善这一现状，研究人员利用电子病历（EMR）数据，结合机器学习技术，开发了一种预测不良妊娠结局的模型，旨在通过早期识别高风险妊娠，提升医疗服务质量，降低不良结局发生率。研究结果表明，随机森林（Random Forest）模型在预测不良妊娠结局方面表现出色，准确率达到90.6%，ROC-AUC分数为0.85，为卢旺达的孕产妇健康管理提供了有力的数据支持工具。论文发表于《BMC Medical Informatics and Decision Making》。
研究中，研究人员采用了包括数据清理、特征工程、模型训练与验证等一系列关键技术方法。数据来源于卢旺达25家医院的电子病历系统，涵盖2020年至2023年的数据，最终分析样本量为32,783例。
研究背景与意义
卢旺达在过去二十年间在降低孕产妇和新生儿死亡率方面取得了显著进展，但与发达国家相比，其孕产妇死亡率为每10万活产203例，新生儿死亡率为每1000活产19例，仍处于较高水平。尽管卢旺达的医疗保健服务覆盖率和利用率较高，但质量问题依然存在，约72%的孕产妇死亡被认为是可以预防的。为了进一步降低孕产妇和新生儿死亡率，卢旺达需要从服务覆盖转向提升医疗质量，利用先进的技术手段如机器学习，开发预测工具以早期识别高风险妊娠。
卢旺达的医疗信息化进程较快，电子病历（EMR）系统已在全国范围内的公立医院和卫生中心推广使用。这为利用大数据进行分析和预测提供了可能。研究人员利用EMR数据，结合机器学习技术，开发了预测不良妊娠结局的模型，旨在通过数据驱动的决策支持，改善孕产妇和新生儿的健康管理。
研究方法
研究采用的数据来源于卢旺达25家公立医院的电子病历系统，涵盖2020年至2023年的数据。研究人员对数据进行了详细的清理和预处理，包括处理缺失值、异常值和数据不平衡问题。最终分析样本量为32,783例，其中5,424例（16.5%）经历了不良妊娠结局。研究中使用了多种机器学习算法，包括逻辑回归（Logistic Regression）、决策树（Decision Trees）、支持向量机（Support Vector Machine）、梯度提升（Gradient Boosting）、随机森林（Random Forest）和多层感知器（Multilayer Perceptron）。通过10折交叉验证和超参数优化，最终选择了表现最佳的随机森林模型。
研究结果
数据分析与模型表现
研究结果显示，随机森林模型在预测不良妊娠结局方面表现出色，准确率达到90.6%，ROC-AUC分数为0.85，精确度为90.8%，但召回率仅为46.5%。这表明模型在识别不良结局方面具有较高的特异性，但在敏感性方面存在挑战。关键预测因素包括孕周、妊娠次数、产前检查次数、产妇年龄、生命体征和分娩方式。
关键预测因素分析
研究识别出的关键预测因素与现有文献一致。孕周是最重要的预测因素，其重要性分数为0.107119。妊娠次数和产前检查次数也显示出较高的重要性分数，分别为0.084591和0.069602。此外，生命体征参数如呼吸频率和氧饱和度在入院时也具有较高的预测价值。这些因素的识别为临床干预提供了明确的方向。
研究结论与讨论
本研究是卢旺达首次利用全国范围内的电子病历数据开展的机器学习研究，展示了利用大数据和人工智能技术改善孕产妇和新生儿健康服务的潜力。尽管模型在准确性和精确度方面表现出色，但召回率较低，提示在处理不平衡数据集时仍面临挑战。未来的研究需要进一步优化模型，提高其敏感性，以确保在临床实践中能够早期识别更多高风险妊娠。
研究结果对政策制定者和临床实践具有重要意义。建议加强电子病历系统的数据质量，扩大其应用范围，并推动机器学习技术在孕产妇健康管理中的应用。通过这些措施，卢旺达有望进一步降低孕产妇和新生儿不良结局的发生率，实现可持续发展目标（SDGs）中的相关健康指标。
