Electronic Health Record Driven Prediction for Gestational Diabetes Mellitus in Early Pregnancy.
Electronic Health Record Driven Prediction for Gestational Diabetes Mellitus in Early Pregnancy.
复制标题
电子健康记录驱动的妊娠早期妊娠糖尿病预测
DOI：
10.1038/s41598-017-16665-y
复制
发表时间：
2017-11-27
影响因子：
4.6
通讯作者：
Lei SD
中科院分区：
文献类型：
--
作者：
Qiu H;Yu HY;Wang LY;Yao Q;Wu SN;Yin C;Fu B;Zhu XJ;Zhang YL;Xing Y;Deng J;Yang H;Lei SD
妊娠糖尿病（GDM）通常在妊娠24至28周内通过口服葡萄糖耐量测试（OGTT）确认，但是在早期怀孕早期妊娠早期电子健康记录（EHR）中是否可以预测它是否可以预测。为此，使用对成本敏感的混合模型（CSHM）和五种常规的机器学习方法来构建预测模型，从而捕获了时间汇总的EHR中GDM的未来风险。来自嵌套的病例对照研究队列的实验数据来源，其中包含西中国第二医院的33,935名妊娠妇女。在数据清洁后，为数据集存储并收集了4,378例和50个属性。通过选择最可行的方法，CSHM的成本参数可用于处理数据集的不平衡。在实验中，3940个样品用于训练，其余的438个样品用于测试。尽管阳性样品的准确性几乎是可以接受的（62.16％），但结果表明，这些预测的阳性实例中绝大多数（98.4％）是真正的阳性。据我们所知，这是第一个将机器学习模型与EHR一起应用的研究，以预测GDM，这将在未来促进孕产妇健康管理中的个性化医学。
Gestational diabetes mellitus (GDM) is conventionally confirmed with oral glucose tolerance test (OGTT) in 24 to 28 weeks of gestation, but it is still uncertain whether it can be predicted with secondary use of electronic health records (EHRs) in early pregnancy. To this purpose, the cost-sensitive hybrid model (CSHM) and five conventional machine learning methods are used to construct the predictive models, capturing the future risks of GDM in the temporally aggregated EHRs. The experimental data sources from a nested case-control study cohort, containing 33,935 gestational women in West China Second Hospital. After data cleaning, 4,378 cases and 50 attributes are stored and collected for the data set. Through selecting the most feasible method, the cost parameter of CSHM is adapted to deal with imbalance of the dataset. In the experiment, 3940 samples are used for training and the rest 438 samples for testing. Although the accuracy of positive samples is barely acceptable (62.16%), the results suggest that the vast majority (98.4%) of those predicted positive instances are real positives. To our knowledge, this is the first study to apply machine learning models with EHRs to predict GDM, which will facilitate personalized medicine in maternal health management in the future.
登录
查看更多内容
影响因子：
16.2
作者：
Bertsimas, Dimitris;Kallus, Nathan;Zhuo, Ying Daisy
通讯作者：
Zhuo, Ying Daisy
影响因子：
7.5
作者：
Schapire, RE;Singer, Y
通讯作者：
Singer, Y
DOI：
10.1136/bmj.h6898
发表时间：
2016-01-12
期刊：
BMJ (Clinical research ed.)
影响因子：
--
作者：
Bao W;Tobias DK;Hu FB;Chavarro JE;Zhang C
通讯作者：
Zhang C
影响因子：
4.8
作者：
Ertekin, Seyda;Rudin, Cynthia;Hirsh, Haym
通讯作者：
Hirsh, Haym
如何使用额外的风险预测标记来解释AUC的少量增加：决策分析通过。
影响因子：
2
作者：
Baker, Stuart G.;Schuit, Ewoud;Steyerberg, Ewout W.;Pencina, Michael J.;Vickers, Andew;Moons, Karel G. M.;Mol, Ben W. J.;Lindeman, Karen S.
通讯作者：
Lindeman, Karen S.