[论文解读] Using Interpretable Machine Learning to Predict Maternal and Fetal Outcomes

Tomas M. Bosschieter, Zifei Xu+6 more|arXiv (Cornell University)|Jul 12, 2022

Statistical Methods in Epidemiology被引用 4

一句话总结

本研究使用可解释增强机（EBM），一种透明的可解释机器学习模型，基于包含222,001例去标识化患者的大型真实世界产科数据集，预测产妇和胎儿并发症——严重产妇发病率（SMM）、肩难产和早发性子痫前期。EBM在预测性能上与XGBoost和深度神经网络等黑箱模型相当，同时揭示了反直觉的风险因素，如宫颈完全扩张至分娩的时间间隔和产妇身高，挑战了传统临床假设。

ABSTRACT

Most pregnancies and births result in a good outcome, but complications are not uncommon and when they do occur, they can be associated with serious implications for mothers and babies. Predictive modeling has the potential to improve outcomes through better understanding of risk factors, heightened surveillance, and more timely and appropriate interventions, thereby helping obstetricians deliver better care. For three types of complications we identify and study the most important risk factors using Explainable Boosting Machine (EBM), a glass box model, in order to gain intelligibility: (i) Severe Maternal Morbidity (SMM), (ii) shoulder dystocia, and (iii) preterm preeclampsia. While using the interpretability of EBM's to reveal surprising insights into the features contributing to risk, our experiments show EBMs match the accuracy of other black-box ML methods such as deep neural nets and random forests.

研究动机与目标

• 识别并量化三种严重产科并发症——SMM、肩难产和早发性子痫前期——最重要的风险因素。
• 评估可解释机器学习模型，特别是可解释增强机（EBM）在预测这些结局时的性能，实现高精度与透明性。
• 通过模型可解释性揭示数据驱动的意外关系，挑战并修正传统临床对风险因素的假设。
• 证明EBM在保持完全可解释性的同时，预测性能优于标准逻辑回归，适用于临床决策支持。

提出的方法

• 本研究采用可解释增强机（EBM），一种广义可加模型（GAM）类型，通过提升算法学习每个特征的单变量形状函数，实现全局和局部可解释性。
• EBM在来自20家美国医院的去标识化临床数据集上进行训练，数据集包含408个特征和222,001条患者记录，结果由临床诊断编码定义。
• 特征选择基于临床合理性与时间先后顺序——仅使用在结果发生前可测量的变量进行预测。
• 模型自动检测并整合重要的成对交互项，以提高预测准确性，同时保持可解释性。
• 通过AUROC和校准曲线评估模型性能，与XGBoost、随机森林、深度神经网络和逻辑回归进行比较。
• 通过形状函数可视化可解释性，展示每个特征对预测风险的边际影响，误差棒表示外部自举法带来的不确定性。

实验结果

研究问题

• RQ1 根据可解释机器学习模型，哪些临床特征是严重产妇发病率（SMM）、肩难产和早发性子痫前期最重要的预测因子？
• RQ2 可解释增强机（EBM）在预测产科并发症方面与XGBoost和深度神经网络等黑箱模型相比表现如何？
• RQ3 EBM模型揭示了哪些令人惊讶或非直观的风险因素关系，挑战了传统临床假设？
• RQ4 种族和民族等人口学因素在风险中的贡献程度如何？这些影响如何通过临床和生物学变量起中介作用？

主要发现

• EBM在AUROC得分上与XGBoost、随机森林、深度神经网络和逻辑回归相当，证明了其在保持完全可解释性的同时具备强大的预测性能。
• SMM最重要的风险因素是子痫前期或妊娠期高血压，其次是宫颈完全扩张至分娩的时间间隔以及剖宫产史。
• 对于肩难产，胎儿体重是最重要的贡献因素，但胎膜破裂至分娩的时间间隔和产妇身高也具有高度显著性，挑战了胎儿大小和产妇糖尿病的主导地位。
• 对于早发性子痫前期，产妇BMI、既往死胎次数和孕前高血压是前三位风险因素，44岁以上产妇年龄的贡献尤为显著。
• 模型揭示了胎儿体重（3250g–4250g）与肩难产风险之间存在临床意外的近似线性关系，提示此前未被强调的阈值效应。
• 非白人种族和西班牙裔/拉丁裔种族与SMM和肩难产的更高风险相关，尽管这些关联可能由医疗可及性及其他相关因素中介。