Machine Learning and Large Language Models for Maternal Cardiometabolic Risk Prediction Across Harmonised Public Pregnancy Datasets
本研究通过整合公开数据集，开发了一个用于孕期心血管代谢风险预测的综合框架，结果表明，尽管传统的机器学习模型在内部性能方面表现出色，但在跨数据集时的泛化能力较差，而大语言模型则展现出了中等的风险评估能力以及生成临床相关解释的能力。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
怀孕是一个深刻的生理过程，它对女性的心脏和代谢进行着严苛的压力测试。在这九个月里，身体必须应对血容量的增加、激素水平的变化以及不断增长的胎儿所带来的代谢需求。对于许多人来说，这个过程进展顺利，但对于另一些人来说，它揭示了潜在的脆弱性。高血压、血糖异常和血液中铁含量低等情况可能会出现或恶化，形成一个威胁母亲和婴儿健康的复杂风险网络。这些并发症并非孤立事件；它们通常是相互关联的，其存在可能预示着分娩困难、早产以及母亲日后长期健康问题的可能性增加。及早识别这些风险可以让医生进行干预、加强监测，并量身定制护理方案以防止严重后果的发生。
几十年来，医疗专业人员一直依赖特定的阈值和个体指标来发现这些危险。血压读数高于某个数值或血糖水平超出正常范围都会触发警报。然而，人体并不总是遵循简单的线性规则。一位女性的年龄、体重增加情况、既往妊娠史与其当前的生命体征之间的相互作用，创造了一种难以通过单一清单来捕捉的模式。这种复杂性促使研究人员探索计算机是否能比传统方法更好地学习这些细微的、非线性的模式。人们希望，通过将海量的临床数据输入先进的算法，机器可以预测谁处于更高风险之中，甚至在症状变得明显之前。
最近的一项研究旨在利用两种不同的方法来测试这一想法：传统的机器学习和更新颖的、具有对话能力的语言大模型。研究人员首先从两个公开的孕产妇健康记录数据集中收集数据。其中一个数据集包含孕妇的一般信息，而另一个则专门针对一种被称为子痫前期（一种涉及高血压的严重疾病）的情况。为了让这两个不同的来源能够协同工作，团队必须将它们的变量转化为一种通用的语言。他们对齐了诸如血压、血红蛋白水平和孕周等测量指标，使得一个数据集中的读数在另一个数据集中具有相同的含义。他们还标准化了风险标签，根据现有的医疗记录将女性分为低风险、中风险和高风险类别。
研究的第一阶段是在第一个数据集上训练一组计算机模型。这些模型的任务是观察一位女性的临床概况并预测她的风险类别。研究人员测试了几种不同类型的算法，包括决策树和支持向量机，以观察哪种算法能最有效地学习模式。一种被称为 HistGradientBoosting 的模型脱颖而出，表现最为强劲。在针对其学习过的数据进行测试时，它正确识别了近 88% 的病例风险水平。它在区分高风险患者与其余人群方面表现出了强大的内部判别能力，其受试者工作特征曲线下面积（AUC）为 0.989，精准率-召回率曲线下面积（AUPRC）约为 0.974。该模型还识别了哪些因素最为重要，强调了到医院的距离、血糖水平以及怀孕期间的体重增加是其决策的关键驱动因素。
然而，任何预测工具真正的考验不在于它在训练数据上的表现如何，而在于它在面对新的、未见过的数据时的表现如何。这正是研究转向关键转折点的地方。研究人员将他们表现最好的模型直接应用于第二个数据集，该数据集来自不同的来源且包含不同的患者。他们没有重新训练模型或调整其设置；他们只是要求模型基于两个数据集共有的六个变量进行预测。结果截然不同。模型的准确率大幅下降，仅正确分类了约 39% 的病例。更令人担忧的是，它未能识别出新组中任何一位实际处于高风险状态的女性。相反，它将所有 26 名高风险女性都标记为低风险或中风险。这一失败表明，模型学习到的模式是针对第一组患者的特定模式，无法迁移到第二组，这很可能是因为两组人群在根本方面存在差异，例如母亲的平均年龄或她们进行血液检测的时机。
意识到传统模型在缺乏泛化能力时可能会遇到困难，研究人员转向了大型语言模型。这些就是能够撰写文章、回答问题并进行对话的同类人工智能系统。团队将结构化的医疗记录转换为平实的英文叙述，用几句话描述每位患者的病史和当前状况。然后，他们要求两个不同的语言模型（DeepSeek 和 Qwen）阅读这些故事并预测风险等级。他们尝试了多种提示词方法，包括在要求模型解决新问题之前，先给它们一些解决类似问题的例子。表现最好的配置——即使用了一种特定推理提示的方法——成功识别了约 58% 的病例风险等级。虽然这比传统模型在处理新数据时的表现要好，但仍远未达到完美。该模型显示出明显的偏见：它成功识别了小规模测试组中的全部四例高风险病例，但未能识别出任何低风险病例，本质上是在猜测每个人都至少处于某种程度的风险之中。
研究人员还观察了这些不同系统是如何解释其决策的。他们对比了传统机器学习模型认为重要的因素与语言模型在书面解释中所使用的关键词。两个系统都一致认为，血压、血糖和血红蛋白水平是风险的关键指标。然而，它们在其他因素上产生了分歧。传统模型将显著权重放在了患者居住地距离医院的远近以及体重增加量上，这可能是因为这些在数据中是强有力的统计信号。相反，语言模型很少提及这些物流和物理因素。它们更多地关注患者的既往病史和既往并发症，利用了其训练中所蕴含的临床知识。这种差异凸显了数据在统计学上的暗示与模型在临床逻辑上的合理性之间的差距。
研究结论指出，尽管这些工具展现出了潜力，但尚未准备好投入临床使用。传统机器学习模型在其构建的环境内表现出色，但无法适应新的群体，这是医疗人工智能面临的一个常见障碍。大型语言模型展示了阅读病例笔记并生成人类可读解释的能力，但其预测并不稳定且容易产生偏见。研究人员强调，这项工作的价值不在于产生一个完美的预测器，而在于展示了将一个模型从一个数据集转移到另一个数据集时的难度。他们认为，要使这些技术在现实世界的医院中发挥作用，必须在更大规模、更多样化的患者群体中对其进行测试，并根据实际的健康结果而非仅仅是现有的标签进行验证。在此之前，这些系统仍然是实验性的工具，可以整理信息并提供可能的建议，但尚不能取代临床医生的判断。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。