劉 騰，朱 屹，林燕茹，朱 琴，唐文波，莊佳衍

(1.寧波大學(xué)醫(yī)學(xué)院附屬醫(yī)院，浙江 寧波 315020；2.中國(guó)科學(xué)院寧波工業(yè)技術(shù)研究院，浙江 寧波 315201；3.寧波大學(xué)，浙江 寧波 315211)

胎兒體重預(yù)測(cè)是產(chǎn)前管理的重要內(nèi)容，準(zhǔn)確的胎兒體重預(yù)測(cè)可以減少圍產(chǎn)兒的患病率、死產(chǎn)率、死亡率及孕產(chǎn)婦并發(fā)癥。在臨床工作中，準(zhǔn)確的胎兒體重預(yù)測(cè)顯得尤為重要。在過去的30年中，對(duì)胎兒體重預(yù)測(cè)模型的研究有幾十種之多。目前準(zhǔn)確性最高、臨床最常用的仍然是1985年Hadlock等報(bào)道的基于超聲測(cè)量數(shù)據(jù)所建立的回歸模型。據(jù)報(bào)道該模型對(duì)胎兒體重預(yù)測(cè)準(zhǔn)確率(出生體重±10%)只有67%～86%[1-8]。當(dāng)然也有基于臨床數(shù)據(jù)(孕婦宮高及腹圍)的胎兒體重預(yù)測(cè)模型，其預(yù)測(cè)的準(zhǔn)確性更低，僅占55.0%～74.3%[5，9]。2017年，國(guó)際胎兒和新生兒生長(zhǎng)聯(lián)盟嘗試構(gòu)建一個(gè)通用的胎兒體重預(yù)測(cè)模型，即Intergrowth-21st模型[10]。有研究表明其預(yù)測(cè)準(zhǔn)確率為57.6%～72.6%[11-13]?？梢?，胎兒體重預(yù)測(cè)的準(zhǔn)確性有待提高。近年來，為了提高胎兒體重預(yù)測(cè)準(zhǔn)確率，有研究已將目光轉(zhuǎn)移到三維超聲[11，14-15]及磁共振[16-17]檢查方面。雖然三維超聲和磁共振檢查從一定程度上提高了預(yù)測(cè)準(zhǔn)確率，但仍不理想。考慮三維超聲和磁共振檢查并非常規(guī)測(cè)量，且費(fèi)用較高，耗時(shí)較長(zhǎng)，目前難以普遍推廣應(yīng)用。因此，如何應(yīng)用更為全面的孕婦生理參數(shù)和超聲參數(shù)，建立一種比較簡(jiǎn)便同時(shí)又較傳統(tǒng)方法更加準(zhǔn)確和個(gè)性化的胎兒體重預(yù)測(cè)方法，將估計(jì)胎兒體重的誤差減小至產(chǎn)科臨床可接受范圍內(nèi)，仍是亟待解決的重大挑戰(zhàn)。

隨著人工智能技術(shù)的不斷發(fā)展，使進(jìn)一步提高胎兒體重預(yù)測(cè)的準(zhǔn)確性成為了可能。支持向量回歸(support vector regression，SVR)[18]是機(jī)器學(xué)習(xí)算法的一種，是一種模仿人腦的非線性信息處理系統(tǒng)。該方法通過數(shù)學(xué)建模的方式模擬人類的學(xué)習(xí)過程，可用于真實(shí)結(jié)果的預(yù)測(cè)。因此，本研究嘗試聯(lián)合應(yīng)用臨床數(shù)據(jù)及超聲數(shù)據(jù)，擬構(gòu)建一種方便、經(jīng)濟(jì)且性能良好的基于SVR的新型胎兒體重預(yù)測(cè)模型(簡(jiǎn)稱新模型)。

1 研究對(duì)象與方法

1.1 研究對(duì)象

1.1.1 數(shù)據(jù)的收集及臨床數(shù)據(jù)庫的建立

收集2020年1月至6月在寧波大學(xué)醫(yī)學(xué)院附屬醫(yī)院分娩的1 442例孕產(chǎn)婦(限單胎頭位孕晚期)的臨床資料，于分娩前1周內(nèi)采集相關(guān)數(shù)據(jù)，最大可能地減少誤差。收集的數(shù)據(jù)共計(jì)18維，包括3個(gè)方面，①母親數(shù)據(jù)：年齡、孕周、胎產(chǎn)次、身高、體重、宮高、孕婦腹圍、孕期增重、是否妊娠期糖尿病(gestational diabetes mellitus，GDM)、分娩方式(順產(chǎn)/產(chǎn)鉗/剖宮產(chǎn))等；②超聲測(cè)量的胎兒數(shù)據(jù)：雙頂徑、頭圍、股骨長(zhǎng)、胎兒腹圍、羊水指數(shù)；③胎兒情況：胎頭是否入盆(未入盆/淺入盆/入盆)、性別、出生體重。

1.1.2 納入標(biāo)準(zhǔn)

單胎，頭位，妊娠31～42周，有明確的末次月經(jīng)或可依據(jù)早孕期超聲測(cè)量頭臀長(zhǎng)度確定孕周，中孕期大畸形篩查未見胎兒結(jié)構(gòu)異常。本研究經(jīng)寧波大學(xué)醫(yī)學(xué)院附屬醫(yī)院倫理委員會(huì)批準(zhǔn)(批件號(hào)KY20201121)。所有參與本研究的納入對(duì)象均簽署知情同意書。

1.2 機(jī)器學(xué)習(xí)算法的選擇

分別應(yīng)用以下方法對(duì)現(xiàn)有數(shù)據(jù)進(jìn)行預(yù)實(shí)驗(yàn)，通過對(duì)比選出最優(yōu)的算法。

①基于多層感知機(jī)的反向傳播算法(Back Propagation)：通過隨機(jī)變量的多元線性組合和非線性函數(shù)激活，從而擬合目標(biāo)函數(shù)，并通過誤差反傳，迭代調(diào)整多層感知機(jī)的參數(shù)權(quán)重，自動(dòng)學(xué)習(xí)最佳的映射函數(shù)；②決策樹回歸(Regression Tree)：通過尋找樣本中最佳的特征及特征值作為最佳分割點(diǎn)，構(gòu)建一棵二叉樹，在預(yù)測(cè)階段，根據(jù)提供的樣本特征，以葉子節(jié)點(diǎn)的值作為預(yù)測(cè)值；③多元線性回歸(Multivariable Linear Regression)：通過2個(gè)或2個(gè)以上的影響因素作為自變量解釋因變量的變化；④輕量梯度提升機(jī)(Light Gradient Boosting Machine)：簡(jiǎn)稱LightGbm，其為一種集成學(xué)習(xí)方法，通過合并多個(gè)決策樹構(gòu)建一個(gè)更為強(qiáng)大的模型，采用連續(xù)的方式構(gòu)造樹，每棵樹都試圖糾正前一棵樹的錯(cuò)誤；⑤SVR：在支持向量機(jī)(Support Vector Machine，SVM)的基礎(chǔ)上，將最大化分類間隔的分類任務(wù)替換為最大化回歸范圍的回歸任務(wù)的變種。

1.3 構(gòu)建基于SVR的新模型

1.3.1 選出建模參數(shù)

根據(jù)預(yù)實(shí)驗(yàn)結(jié)果，分別計(jì)算每個(gè)特征與新生兒出生體重的皮爾遜相關(guān)系數(shù)，應(yīng)用SVR算法權(quán)重，結(jié)合臨床經(jīng)驗(yàn)，反復(fù)進(jìn)行實(shí)驗(yàn)后，根據(jù)實(shí)驗(yàn)結(jié)果選擇建模所需的參數(shù)。

1.3.2 應(yīng)用SVR建模

SVR算法是在SVM基礎(chǔ)上發(fā)展起來的一種自回歸算法。SVM算法是利用核函數(shù)的方法，將在低維特征空間線性不可分的樣本映射到更高維特征空間，使得線性可分。

SVR算法是建立在SVM理論基礎(chǔ)上的一種回歸算法，給定數(shù)據(jù)集D={(x1,y1),(x2,y2),…,(xm,ym)|m∈R}，學(xué)習(xí)目標(biāo)回歸函數(shù)f(x)，f(x)=wTφ(x)+b，其中φ(x)為非線性映射函數(shù)[12]。以學(xué)習(xí)到的函數(shù)f(x)為回歸中心，構(gòu)建一個(gè)寬度為2ε的間隔帶，若測(cè)試樣本落入此間隔帶，則認(rèn)為是被預(yù)測(cè)正確的樣本。

1.3.2.1 數(shù)據(jù)的預(yù)處理 數(shù)據(jù)預(yù)處理是數(shù)據(jù)挖掘分析的基礎(chǔ)，主要分析數(shù)據(jù)來源，對(duì)數(shù)據(jù)進(jìn)行采集、清洗、規(guī)整，實(shí)現(xiàn)對(duì)數(shù)據(jù)的規(guī)范化，為之后的數(shù)據(jù)分析打下良好基礎(chǔ)[19]。對(duì)新生兒出生體重預(yù)測(cè)問題主要采集的數(shù)據(jù)：一是孕婦相關(guān)數(shù)據(jù)；二是B超數(shù)據(jù)；三是胎兒相關(guān)數(shù)據(jù)。

針對(duì)采集的數(shù)據(jù)，需要進(jìn)一步進(jìn)行處理。①離散數(shù)據(jù)的數(shù)值化：對(duì)采集數(shù)據(jù)中的是否GDM進(jìn)行數(shù)值化，應(yīng)用Python語言對(duì)其進(jìn)行處理，將有GDM標(biāo)記為0，無GDM標(biāo)記為1；②異常值處理：在采集到的數(shù)據(jù)中，不免會(huì)出現(xiàn)數(shù)據(jù)缺失、異常等情況，對(duì)于缺失的數(shù)據(jù)，首先引入Python語言的一個(gè)擴(kuò)展程序庫Pandas，其是一個(gè)強(qiáng)大的分析結(jié)構(gòu)化數(shù)據(jù)的工具集，應(yīng)用Pandas中的read excel()方法來讀取數(shù)據(jù)文件，并應(yīng)用數(shù)據(jù)處理工具包NumPy(Numerical Python)進(jìn)行數(shù)據(jù)清洗，踢除含有空值的數(shù)據(jù)。

1.3.2.2 模型的構(gòu)建 數(shù)據(jù)集經(jīng)過預(yù)處理后進(jìn)行劃分，應(yīng)用sklearn.model selection中的train test split函數(shù)將原始數(shù)據(jù)集劃分為訓(xùn)練集和驗(yàn)證集，且劃分比例為9∶1。SVR模型中核函數(shù)的主要作用是將高維數(shù)據(jù)映射為低維數(shù)據(jù)，常見的核函數(shù)有‘rbf’‘linear’‘poly’，實(shí)驗(yàn)對(duì)比后選擇應(yīng)用linear核函數(shù)，應(yīng)用該核函數(shù)在訓(xùn)練集上可以更好地?cái)M合數(shù)據(jù)，見圖1。同理，懲罰因子C在超參數(shù)調(diào)優(yōu)后設(shè)為1.35。將收集到的數(shù)據(jù)以90%用于訓(xùn)練，而10%用于驗(yàn)證。損失函數(shù)選用平均絕對(duì)誤差(mean absolute error，MAE)。構(gòu)建出基于SVR的新模型。

1.3.2.3 模型的評(píng)估 將新模型與經(jīng)典胎兒體重預(yù)測(cè)模型(Hadlock1模型和Intergrowth-21st模型)對(duì)比，比較平均絕對(duì)百分比誤差(mean absolute percentage error，MAPE)、MAE、均方根誤差(root-mean-square error，RMSE)及胎兒體重預(yù)測(cè)準(zhǔn)確率來評(píng)估每個(gè)模型的胎兒體重預(yù)測(cè)的準(zhǔn)確性，評(píng)估新模型的性能。

MAPE=(|預(yù)測(cè)體重值-實(shí)際體重值|)/實(shí)際體重值×100%。計(jì)算預(yù)測(cè)體重與實(shí)際出生體重誤差的絕對(duì)值占實(shí)際出生體重的百分比，求其平均值及標(biāo)準(zhǔn)差，可準(zhǔn)確評(píng)估誤差的大小。

MAE=|預(yù)測(cè)體重值-實(shí)際體重值|。直接計(jì)算預(yù)測(cè)體重與實(shí)際出生體重誤差后進(jìn)行平均，平均值和標(biāo)準(zhǔn)差均以g為單位，與原始數(shù)據(jù)量綱一致，便于直接進(jìn)行比較。

RMSE為回歸分析中常用的評(píng)價(jià)指標(biāo)，常出現(xiàn)于應(yīng)用回歸分析等方法的研究中，可準(zhǔn)確評(píng)估誤差的大小，且量綱與原始數(shù)據(jù)相同，便于直接比較。

將預(yù)測(cè)體重與實(shí)際出生體重MAE在250g以內(nèi)定義為預(yù)測(cè)準(zhǔn)確；5%預(yù)測(cè)準(zhǔn)確率是指預(yù)測(cè)體重與實(shí)際出生體重之間誤差不超過5%實(shí)際出生體重，10%預(yù)測(cè)準(zhǔn)確率是指預(yù)測(cè)體重與實(shí)際出生體重之間誤差不超過10%實(shí)際出生體重。預(yù)測(cè)準(zhǔn)確率(%)=成功預(yù)測(cè)數(shù)量/總數(shù)量×100%。

1.4 統(tǒng)計(jì)學(xué)方法

應(yīng)用的計(jì)算工具基于Python 3.7語言，其中包括數(shù)據(jù)處理工具NumPy 1.19.5和Pandas 1.3.5及數(shù)學(xué)建模工具Scikit-learn 1.0.1。Pandas用來讀取數(shù)據(jù)文件；應(yīng)用NumPy進(jìn)行數(shù)據(jù)清洗，剔除異常樣本，對(duì)數(shù)據(jù)進(jìn)行處理及統(tǒng)計(jì)；采用Scikit-learn對(duì)處理后的數(shù)據(jù)進(jìn)行數(shù)學(xué)建模。

2 結(jié)果

2.1 孕產(chǎn)婦的基本資料

本研究選取了2020年上半年間符合納入標(biāo)準(zhǔn)的孕產(chǎn)婦共計(jì)1 442例，總共納入18維參數(shù)，其中GDM孕產(chǎn)婦242例，其他孕產(chǎn)婦1 200例；經(jīng)陰道分娩824例，剖宮產(chǎn)618例；孕次為1～8次，平均(1.95±1.16)次；初產(chǎn)婦948例，二胎分娩475例，三胎分娩19例；男嬰747例，女嬰695例；其余納入的14維參數(shù)及總體樣本的均值見表1。

表1 孕產(chǎn)婦的基本資料及數(shù)據(jù)范圍Table 1 The basic data and data scope of pregnant women

2.2 應(yīng)用預(yù)實(shí)驗(yàn)選出最優(yōu)算法SVR

應(yīng)用基于多層感知機(jī)的神經(jīng)網(wǎng)絡(luò)、決策樹回歸、多元線性回歸、LightGbm、SVR算法對(duì)現(xiàn)有數(shù)據(jù)進(jìn)行預(yù)實(shí)驗(yàn)，共計(jì)18維，有效數(shù)據(jù)1 442條，其中1 297條作為訓(xùn)練數(shù)據(jù)，145條作為測(cè)試數(shù)據(jù)，計(jì)算MAPE、MAE、RMSE及胎兒體重預(yù)測(cè)準(zhǔn)確率。

LightGbm算法的10%誤差預(yù)測(cè)準(zhǔn)確率最高，Linear-Regression算法的250g誤差預(yù)測(cè)準(zhǔn)確率最高，SVR算法的5%誤差預(yù)測(cè)準(zhǔn)確率最高，且SVR算法有最小的MAPE、MAE和RMSE。LightGbm算法在尋找最優(yōu)解時(shí)，依據(jù)的是最優(yōu)切分變量，未將最優(yōu)解受所有特征綜合影響考慮進(jìn)去，多元線性回歸算法對(duì)于數(shù)據(jù)特征間具有相關(guān)性多項(xiàng)式回歸難以建模，BP算法預(yù)測(cè)精度不高。對(duì)于特征維度少的數(shù)據(jù)，SVR不易造成過擬合，添加的松弛變量可以提高模型的泛化性。LinearSVR應(yīng)用線性核函數(shù)，在實(shí)驗(yàn)過程中難以收斂；NuSVR預(yù)測(cè)MAE較SVR低。因此選擇SVR作為預(yù)測(cè)算法。

觀察實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，在應(yīng)用全部數(shù)據(jù)的條件下，不同算法得到預(yù)測(cè)模型的預(yù)測(cè)性能指標(biāo)見表2。

2.3 應(yīng)用SVR建立新模型

2.3.1 選出建模參數(shù)

分別計(jì)算每個(gè)特征與新生兒出生體重的皮爾遜相關(guān)系數(shù)，其中，P值作為判斷變量之間是否存在相關(guān)性的指標(biāo)，當(dāng)P>0.05時(shí)，相關(guān)性系數(shù)無統(tǒng)計(jì)學(xué)意義，即該特征與觀測(cè)值無相關(guān)性；當(dāng)P≤0.05時(shí)，表示兩者具有相關(guān)性，此時(shí)r值越大，代表相關(guān)性越高，兩者間的線性相關(guān)性越大。如：B超胎兒腹圍數(shù)據(jù)P值接近0，說明該特征與觀測(cè)值顯著相關(guān)。新生兒性別的r值為負(fù)數(shù)，該特征與觀測(cè)值呈負(fù)相關(guān)。

表2 不同算法的預(yù)測(cè)準(zhǔn)確率及預(yù)測(cè)誤差Table 2 The prediction accuracy and error of different algorithms

根據(jù)皮爾遜相關(guān)系數(shù)的結(jié)果，P>0.05表明該特征與新生兒出生體重相關(guān)性小，因此孕婦年齡(r=0.03，P=0.19)不予采用；考慮在收集數(shù)據(jù)時(shí)對(duì)采集時(shí)間有1周內(nèi)的限制，因此采集時(shí)間(r=0.01，P=0.77)予以保留；是否為GDM(r=-0.05，P=0.04)中P值接近0.05，且r值很小，因此不予采用；雖然胎兒性別(r=-0.12)、分娩方式(r=0.15)、孕次(r=0.06)、產(chǎn)次(r=0.07)的P<0.05，但其r值均較小，且胎兒性別及分娩方式在出生前臨床上無法獲知，因此這些特征不予采用，見表3。根據(jù)皮爾遜相關(guān)性分析，雖然分娩孕周相關(guān)性相對(duì)尚可(r=0.42，P=4.56×10-64)，但考慮到臨床應(yīng)用的方便，不便采納過多的參數(shù)，因此分別應(yīng)用包含12維特征及去除分娩孕周的11維數(shù)據(jù)進(jìn)行建模，結(jié)果顯示兩者的預(yù)測(cè)誤差在250g以內(nèi)分別為72.41%和73.10%，因此，分娩孕周不予采用。

最后篩選出建模所需的11維參數(shù)分別為：身高、體重、孕期增重、宮高、孕婦腹圍、雙頂徑、頭圍、股骨長(zhǎng)、胎兒腹圍、羊水指數(shù)和采集時(shí)間(采集時(shí)間距分娩的天數(shù))。

表3 新生兒出生體重與不同參數(shù)的皮爾遜相關(guān)系數(shù)Table 3 Pearson correlation coefficient between newborn birth weight and different parameters

應(yīng)用SVR算法對(duì)11維參數(shù)進(jìn)行權(quán)重對(duì)比，數(shù)值越大表示參數(shù)影響越大，本資料顯示宮高的SVR權(quán)重最大，說明在新模型中影響最大，見表4。

表4 納入建模參數(shù)的SVR算法權(quán)重對(duì)比Table 4 Weight comparison of the SVR algorithm incorporating the modeling parameters

2.3.2 構(gòu)建新模型

應(yīng)用SVR對(duì)篩選后的11維參數(shù)及18維參數(shù)分別建模，并對(duì)其建模結(jié)果進(jìn)行對(duì)比。應(yīng)用18維參數(shù)構(gòu)建的模型10%預(yù)測(cè)準(zhǔn)確率與應(yīng)用11維參數(shù)構(gòu)建的模型預(yù)測(cè)準(zhǔn)確率相同，均為88.28%，從MAPE、MAE及RMSE方面而言差別也較??；換而言之，應(yīng)用18維與11維兩種參數(shù)建模所得到的預(yù)測(cè)模型在預(yù)測(cè)性能方面相差無幾，見表5?？紤]臨床應(yīng)用的實(shí)際情況，不宜選擇過多的參數(shù)，因此選擇應(yīng)用11維參數(shù)構(gòu)建的模型為新模型。

表5 應(yīng)用不同維度參數(shù)建模的性能對(duì)比Table 5 Performance comparison of modeling with different dimension parameters

2.4 評(píng)估新模型性能

將新模型與經(jīng)典胎兒體重預(yù)測(cè)模型(Hadlock1模型及Intergrowth-21st模型)對(duì)比，以MAPE、MAE、RMSE及胎兒體重預(yù)測(cè)準(zhǔn)確率評(píng)估新模型的性能。與Hadlock1及Intergrowth-21st模型相比，預(yù)測(cè)誤差在5%以內(nèi)的胎兒體重預(yù)測(cè)準(zhǔn)確率為54.48%、預(yù)測(cè)誤差在10%以內(nèi)的為88.28%、預(yù)測(cè)誤差在250g以內(nèi)的為73.10%，新模型具有最高的胎兒體重預(yù)測(cè)準(zhǔn)確率。此外，胎兒體重預(yù)測(cè)新模型還具有最低的MAPE(5.24%)、MAE(178.43g)、RMSE(230.15g)，見表6。

表6 新模型與經(jīng)典模型的對(duì)比Table 6 Comparison of the new model and the classical model

3 討論

3.1 新模型的預(yù)測(cè)性能及原因分析

本研究表明，與Hadlock1模型及Intergrowth-21st模型相比，新模型具有最高的胎兒體重預(yù)測(cè)準(zhǔn)確率，即54.48%胎兒的預(yù)測(cè)體重與實(shí)際出生體重之間誤差不超過5%，88.28%胎兒的預(yù)測(cè)體重與實(shí)際出生體重之間誤差不超過10%，73.10%胎兒的預(yù)測(cè)體重與實(shí)際出生體重差距在250g以內(nèi)。另外，新模型還具有最低的MAPE(5.24%)、MAE(178.43g)和RMSE(230.15g)，說明新模型預(yù)測(cè)誤差最小。因此，新模型具有最優(yōu)的預(yù)測(cè)性能。

本研究顯示，Hadlock1模型比Intergrowth-21st模型的預(yù)測(cè)準(zhǔn)確率高(87.59%，77.93%；<10%)，預(yù)測(cè)誤差小(189.00g，236.66g；MAE)，這與既往的研究結(jié)論[20]相符合，即基于3～4個(gè)參數(shù)預(yù)測(cè)模型較1～2個(gè)參數(shù)預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確率高，誤差小。既往研究表明，不同超聲醫(yī)師[21]測(cè)量、胎先露不同[22]、羊水量[23-25]、孕產(chǎn)婦肥胖[26-27]等都會(huì)影響胎兒超聲體重預(yù)測(cè)模型的準(zhǔn)確性[20，27-28]。而Hadlock1模型僅僅是基于超聲測(cè)量的胎兒雙頂徑、股骨長(zhǎng)、頭圍及腹圍，未聯(lián)合羊水指數(shù)、臨床數(shù)據(jù)等參數(shù)，且在建模時(shí)應(yīng)用線性回歸的方法。這些可能就是其預(yù)測(cè)準(zhǔn)確率有待提高的原因。

3.2 SVR的優(yōu)勢(shì)

機(jī)器學(xué)習(xí)與傳統(tǒng)的參數(shù)回歸模型相比有著不可替代的優(yōu)越性，可以進(jìn)行自動(dòng)化學(xué)習(xí)，以任意精度逼近任意復(fù)雜的非線性映射[19]。因此，本研究將機(jī)器學(xué)習(xí)算法引入胎兒體重預(yù)測(cè)模型，使得聯(lián)合多維參數(shù)構(gòu)建胎兒體重預(yù)測(cè)模型成為可能。為了構(gòu)建最佳的新模型，本研究從以下幾方面做出了努力。首先，新模型聯(lián)合了多維參數(shù)，彌補(bǔ)了既往模型參數(shù)較少的缺點(diǎn)；其次，通過預(yù)實(shí)驗(yàn)，對(duì)比不同的機(jī)器學(xué)習(xí)算法，從而選出最適合的機(jī)器學(xué)習(xí)算法，即SVR；最后，如何選擇合適的建模參數(shù)，即如何才能應(yīng)用最少維度的參數(shù)得到最佳的預(yù)測(cè)性能也是本研究的重點(diǎn)。

本研究初期收集了盡可能全面的18維參數(shù)，考慮數(shù)據(jù)中可能存在混雜因素，因此計(jì)算每個(gè)參數(shù)與新生兒出生體重的皮爾遜相關(guān)系數(shù)，相關(guān)性小的參數(shù)不予采用，最終得到建模所需的11維參數(shù)，包括：身高、體重、孕期增重、宮高、孕婦腹圍、雙頂徑、頭圍、股骨長(zhǎng)、胎兒腹圍、羊水指數(shù)及采集時(shí)間(采集時(shí)間距分娩的天數(shù))。為了進(jìn)一步驗(yàn)證應(yīng)用11維參數(shù)構(gòu)建模型的預(yù)測(cè)準(zhǔn)確率，本研究對(duì)11維參數(shù)模型與18維參數(shù)模型進(jìn)行了對(duì)比，結(jié)果顯示應(yīng)用11維參數(shù)構(gòu)建的新模型與18維參數(shù)構(gòu)建的體重預(yù)測(cè)模型在預(yù)測(cè)準(zhǔn)確率及誤差等方面相差無幾。因此，本研究最終決定應(yīng)用11維參數(shù)構(gòu)建胎兒體重預(yù)測(cè)模型。本研究所納入的11維參數(shù)均是臨床病例書寫所必需采集的數(shù)據(jù)信息，本研究構(gòu)建的新模型在未來可以直接植入電子病例系統(tǒng)，從電子病例中對(duì)所需數(shù)據(jù)進(jìn)行提取，從而直接得到預(yù)估的胎兒體重，以供臨床參考。

3.3 不足與局限性

本研究為單中心回顧性研究，樣本量相對(duì)不足，采集的臨床數(shù)據(jù)存在測(cè)量偏差等不足之處。未來需要更多、更為全面的臨床試驗(yàn)加以進(jìn)一步的驗(yàn)證，這些因素也是未來研究所要考慮的問題。

綜上所述，新模型是一種應(yīng)用多維參數(shù)，基于SVR的新模型。新模型具有預(yù)測(cè)準(zhǔn)確率高、誤差小，且經(jīng)濟(jì)、方便等優(yōu)勢(shì)，值得臨床推廣應(yīng)用。