开发一种可解释的机器学习模型，用于预测首次分娩后女性出现压力性尿失禁的情况

《BMC Pregnancy and Childbirth》：Development of an interpretable machine learning model for predicting stress urinary incontinence following the delivery of a first child

　　

摘要

引言

本研究的目的是利用机器学习（ML）技术创建一种用于预测产后压力性尿失禁（PSUI）的风险模型。为了提高筛查准确性并优化临床护理技术，我们的目标是确定最适合临床筛查的模型。

方法

本研究通过电话访谈和计算机化的医疗记录收集数据，并将这些数据整合到一个随访数据表中。我们招募了2020年1月至2025年1月期间在新疆生产建设兵团医院产后康复诊所接受表面肌电图（sEMG）检查的妇女。在应用了纳入和排除标准后，共有449名初产妇被纳入研究。从数据集中以7:3的比例随机选取了训练集和验证集。我们使用五种机器学习算法（逻辑回归、决策树、随机森林、支持向量机（SVM）和极端梯度提升（XGBoost）来构建预测产后持续性压力性尿失禁（PSUI）的模型。模型性能通过接收者操作特征曲线下面积（AUC）等指标进行评估。通过SHapley加性解释（SHAP）分析实现了模型的可解释性。

结果

最终模型中保留了八个特征：新生儿出生体重、孕前BMI、分娩时年龄、会阴撕裂情况、静息期平均值、恢复期平均值、最大快速收缩期平均值和最小慢收缩期平均值。在五种算法中，随机森林模型的表现最佳，其测试集AUC为0.920（95%置信区间0.8704–0.9688，P<0.05），准确率为0.8444，精确率为0.6341，召回率为0.8125，特异性为0.8544，F1分数为0.7123。通过十折交叉验证和测试集确认了该模型的强泛化能力。

结论

随机森林模型在产后压力性尿失禁（PSUI）的风险预测和筛查方面显示出强大的临床潜力。为了进一步提高模型的临床实用性，未来的研究应增加样本量并纳入多中心数据。