Iranian Journal of Epidemiology

fa پیش‌بینی وقوع زایمان زودرس و تعیین عوامل خطر آن به‌صورت شخصی با استفاده از مدل یادگیری ماشینی تفسیرپذیر Predicting the Occurrence of Preterm Birth and Determining its Risk Factors Individually Using an Interpretable Machine Learning Model تخصصي Special پژوهشي Research <div style="text-align: justify;">مقدمه و اهداف: شناسایی زنان بارداری که در معرض زایمان زودرس هستند و همچنین تعیین عوامل خطر موثر برآن، امری ضروری است که در سلامت نوزادان تاثیرگذار است. این مطالعه با هدف به‌کارگیری نوعی از مدل یادگیری ماشینی تفسیرپذیر برای پیش‌بینی زایمان زودرس انجام شد. روش‌کار: این مطالعه به‌صورت مقطعی انجام شد و از داده‌های 149350 مورد تولد شهر تهران در سال 1399 از مجموعه داده‌ شبکه‌ مادران و نوزادان ایران (IMaN) استفاده گردید. در این مطالعه، عوامل مختلف وابسته به مادر و جنین مانند متغیرهای جمعیت‌شناختی مادر نوزاد، وضعیت سلامت و سوابق بیماری مادر، شرایط بارداری، زایمان و خطرات آن استفاده شد. پس از پیش‌پردازش و آماده‌سازی داده‌ها، از مدل‌های یادگیری ماشینی شبکه عصبی چندلایه، جنگل تصادفی و XGBoost برای پیش‌بینی وقوع زایمان زودرس استفاده گردید. مدل‌ها بر اساس معیارهای دقت، حساسیت، ویژگی و سطح زیر منحنی راک ارزیابی شدند. برای تحلیل داده‌ها از زبان برنامه‌نویسی پایتون نسخه0-10-3 استفاده شد. یافته‌ها: 8/67 درصد از رخداد زایمان‌ها، زودرس بودند. بالاترین دقت پیش‌بینی (0/90) مربوط به الگوریتم XGBoost بود. در تفسیر خروجی مدل برای یک خانم باردار با مقادیر مشخص برای متغیرها، مهمترین متغیر، با امتیاز اهمیت 46 درصد، متغیر چندقلویی و پس از آن عوامل خطر زایمان، با امتیاز اهمیت 41 درصد بود و متغیرهای دیگر نظیر بیماری اعصاب و روان، پره اکلامپسی و بیماری قلبی عروقی در رده‌های بعدی اهمیت برای این فرد خاص بودند. نتیجه‌گیری: استفاده از روش یادگیری ماشینی تفسیر‌پذیر توانست وقوع زایمان زودرس را پیش‌بینی نماید. این روش می‌تواند توصیه‌های پیشگیرانه مختص هر زن باردار را، مبتنی ‌بر عوامل خطر و با هدف جلوگیری از زایمان زودرس ارائه کند.</div> <div style="text-align: justify;">Background and Objectives: Identifying pregnant women who are at risk of premature birth and determining its risk factors is essential because it affects their health. This study aimed to use an interpretable machine-learning model to predict premature birth. Methods: In this study, data from 149,350 births in Tehran in 2019 were utilized from the Iranian Mothers and Babies Network (IMaN) dataset. Various factors related to the mother and the fetus, such as the mother's demographic variables and health status, medical history, pregnancy conditions, childbirth, and associated risks, were considered. The machine learning models, including multilayer neural networks, random forest, and XGBoost, were employed to predict the occurrence of preterm birth after data preprocessing. The models were evaluated based on accuracy, sensitivity, specificity, and area under the ROC curve. The Python programming language version 3.10.0 was applied to analyze the data. Results: About 8.67% of births were premature. The XGBoost algorithm achieved the highest prediction accuracy (90%). According to the model output, multiple births, which account for 46% of pregnant women's births, had the highest importance score. Delivery risk factors had a score of 41%, and other variables, including neurological and mental illness, preeclampsia, and cardiovascular disease, were subsequently ranked in order of importance for this particular individual. Conclusion: Using an interpretable machine learning method could predict the occurrence of premature birth. Based on risk factors, the interpretable machine learning method can provide personalized preventive recommendations for every pregnant woman, aiming to reduce the risk of preterm birth.</div> بارداری, زایمان زودرس, یادگیری ماشینی, تفسیرپذیری, مدل آگنوستیک Pregnancy, Premature birth, Machine learning, Interpretability, Model-agnostic 1 14 http://irje.tums.ac.ir/browse.php?a_code=A-10-64-5&slc_lang=fa&sid=1 Ramin Farrokhi رامین فرخی rm.farrokhi@gmail.com No MSc. Student in Biostatistics, Department of Biostatistics and Epidemiology, University of Social Welfare and Rehabilitation Sciences, Tehran, Iran دانشجوی کارشناسی ارشد گروه آمار زیستی و اپیدمیولوژی، دانشکده سلامت اجتماعی، دانشگاه علوم توانبخشی و سلامت اجتماعی، تهران، ایران Samaneh Hosseinzadeh سمانه حسین زاده sa.hosseinzadeh@uswr.ac.ir No Assistant Professor of Biostatistics, Department of Biostatistics and Epidemiology, University of Social Welfare and Rehabilitation Sciences, Tehran, Iran استادیار گروه آمار زیستی و اپیدمیولوژی، دانشکده سلامت اجتماعی، دانشگاه علوم توانبخشی و سلامت اجتماعی، تهران، ایران Abbas Habibelahi عباس حبیب اللهی ahabibelahi@yahoo.com No Assistant Professor of Pediatrics, Vice Chancellery for Health, Iran Ministry of Health and Medical Education, Tehran, Iran استادیار نوزادان، دفتر سلامت خانواده و جمعیت وزارت بهداشت درمان و آموزش پزشکی، تهران، ایران Akbar Biglarian اکبر بیگلریان abiglaria@uswr.ac.ir Yes Professor of Biostatistics, Department of Biostatistics and Epidemiology, Social Determinants of Health Research Center, Social Health Research Institute, University of Social Welfare and Rehabilitation Sciences, Tehran, Iran استاد گروه آمار زیستی و اپیدمیولوژی، مرکز تحقیقات عوامل اجتماعی موثر بر سلامت، پژوهشکده سلامت اجتماعی، دانشگاه علوم توانبخشی و سلامت اجتماعی، تهران، ایران