Прогнозирование высокорискованной беременности на основе алгоритмов машинного обучения

Введение

Высокорискованная беременность представляет серьезную угрозу для здоровья матери и плода, требуя своевременного выявления и медицинского вмешательства. Традиционные методы оценки риска часто основываются на субъективных клинических критериях, что может приводить к ошибкам. В данной статье исследуется применение алгоритмов машинного обучения для прогнозирования высокорискованной беременности с целью повышения точности диагностики.

Цель исследования

Целью исследования являлось создание эффективной прогностической модели для идентификации высокорискованных беременностей с использованием шести алгоритмов машинного обучения. Основное внимание уделялось сравнению их производительности и выбору оптимального метода.

Методы

Исследование основано на данных из набора Maternal Health Risk Dataset (MHRD), собранных в Бангладеш. В анализ включены данные 1014 беременных женщин из больниц, клиник и центров охраны материнства. Использовались следующие алгоритмы:

• Многослойный перцептрон (MLP)
• Логистическая регрессия (LR)
• Дерево решений (DT)
• Случайный лес (RF)
• eXtreme Gradient Boosting (XGBoost)
• Метод опорных векторов (SVM)

Вычисления проводились на GPU NVIDIA RTX3050Ti.

Результаты

Многослойный перцептрон (MLP) продемонстрировал наилучшие результаты среди всех алгоритмов. Модель показала:

• Общую точность прогнозирования — 82%
• Точность в прогнозировании высокого риска — 91%
• Скорость обработки — 500 наборов данных в секунду

Выводы

Исследование подтвердило высокую эффективность алгоритмов машинного обучения, в частности MLP, в прогнозировании высокорискованных беременностей. Разработанная модель может служить ценным инструментом поддержки врачебных решений, позволяя своевременно выявлять пациенток с повышенным риском и улучшая управление материнским здоровьем. Полученные результаты открывают перспективы для дальнейших исследований в этой области.

Термины и сокращения

• MLP (Multilayer Perceptron) — многослойный перцептрон, тип искусственной нейронной сети
• LR (Logistic Regression) — логистическая регрессия
• DT (Decision Tree) — дерево решений
• RF (Random Forest) — случайный лес
• XGBoost (eXtreme Gradient Boosting) — алгоритм градиентного бустинга
• SVM (Support Vector Machine) — метод опорных векторов
• MHRD (Maternal Health Risk Dataset) — набор данных о рисках материнского здоровья
• GPU (Graphics Processing Unit) — графический процессор