Autor/autores:
Yiye Zhang, Shuojia Wang, Alison Hermann...(et.al)
Hay escasez de herramientas para predecir la depresión posparto (PPD). Proponemos un marco de aprendizaje automático para la predicción de riesgos de PPD utilizando datos extraídos de registros de salud electrónicos (EHR). Se utilizaron dos conjuntos de datos de EHR que contienen datos sobre 15197 mujeres de 2015 a 2018 en un solo sitio, y 53972 mujeres de ...
PUBLICIDAD
Crea tu cuenta gratis y léelo completo ahora.
¿Ya estás registrado? Inicia sesión aquí .
Hay escasez de herramientas para predecir la depresión posparto (PPD). Proponemos un marco de aprendizaje automático para la predicción de riesgos de PPD utilizando datos extraídos de registros de salud electrónicos (EHR).
Se utilizaron dos conjuntos de datos de EHR que contienen datos sobre 15197 mujeres de 2015 a 2018 en un solo sitio, y 53972 mujeres de 2004 a 2017 en varios sitios como conjuntos de desarrollo y validación, respectivamente, para construir el modelo de predicción de riesgo de PPD. El resultado primario fue un diagnóstico de PPD dentro de 1 año después del parto. Se implementó un marco de extracción, procesamiento y aprendizaje automático de datos para seleccionar una lista mínima de características de los conjuntos de datos de EHR para garantizar el rendimiento del modelo y permitir la predicción de riesgos futuros en el punto de atención.
El modelo de mejor rendimiento utiliza características clínicas relacionadas con el historial de salud mental, comorbilidad médica, complicaciones obstétricas, órdenes de prescripción de medicamentos y características demográficas de los pacientes. Los rendimientos del modelo medidos por área bajo la curva característica operativa del receptor (AUC) son 0. 937 (95% CI 0. 912 - 0. 962) y 0. 886 (95% CI 0. 879-0. 893) en los conjuntos de datos de desarrollo y validación, respectivamente. Los resultados del modelo fueron consistentes cuando se probaron utilizando datos que terminaron en múltiples períodos de tiempo durante el embarazo y el parto.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://www.sciencedirect.com/
Explora el artículo con IA