پيش‌بيني وقوع زايمان زودرس و تعيين عوامل خطر آن به‌صورت شخصي با استفاده از مدل يادگيري ماشيني تفسيرپذير

مقدمه و اهداف: شناسايي زنان بارداري كه در معرض زايمان زودرس هستند و همچنين تعيين عوامل خطر موثر برآن، امري ضروري است كه در سلامت نوزادان تاثيرگذار است. اين مطالعه با هدف به‌كارگيري نوعي از مدل يادگيري ماشيني تفسيرپذير براي پيش‌بيني زايمان زودرس انجام شد. روش‌كار: اين مطالعه به‌صورت مقطعي انجام شد و از داده‌هاي 149350 مورد تولد شهر تهران در سال 1399 از مجموعه داده‌ شبكه‌ مادران و نوزادان ايران (IMaN) استفاده گرديد. در اين مطالعه، عوامل مختلف وابسته به مادر و جنين مانند متغيرهاي جمعيت‌شناختي مادر نوزاد، وضعيت سلامت و سوابق بيماري مادر، شرايط بارداري، زايمان و خطرات آن استفاده شد. پس از پيش‌پردازش و آماده‌سازي داده‌ها، از مدل‌هاي يادگيري ماشيني شبكه عصبي چندلايه، جنگل تصادفي و XGBoost براي پيش‌بيني وقوع زايمان زودرس استفاده گرديد. مدل‌ها بر اساس معيارهاي دقت، حساسيت، ويژگي و سطح زير منحني راك ارزيابي شدند. براي تحليل داده‌ها از زبان برنامه‌نويسي پايتون نسخه0-10-3 استفاده شد.يافته‌ها: 8/67 درصد از رخداد زايمان‌ها، زودرس بودند. بالاترين دقت پيش‌بيني (0/90) مربوط به الگوريتم XGBoost بود. در تفسير خروجي مدل براي يك خانم باردار با مقادير مشخص براي متغيرها، مهم ترين متغير، با امتياز اهميت 46 درصد، متغير چندقلويي و پس از آن عوامل خطر زايمان، با امتياز اهميت 41 درصد بود و متغيرهاي ديگر نظير بيماري اعصاب و روان، پره اكلامپسي و بيماري قلبي عروقي در رده‌هاي بعدي اهميت براي اين فرد خاص بودند. نتيجه‌گيري: استفاده از روش يادگيري ماشيني تفسير‌پذير توانست وقوع زايمان زودرس را پيش‌بيني نمايد. اين روش مي‌تواند توصيه‌هاي پيشگيرانه مختص هر زن باردار را، مبتني ‌بر عوامل خطر و با هدف جلوگيري از زايمان زودرس ارائه كند.