Development and validation of an explainable machine learning-based risk prediction model for macrosomia in han Chinese women with singleton cephalic pregnancies

开发并内部验证一个可解释的机器学习模型，用于预测汉族单胎头位妊娠女性在妊娠晚期或入院时发生巨大儿（macrosomia）的风险。纳入2024年4月至2025年3月在一家三级医院分娩的3,233名女性的数据（158例巨大儿）。所有候选变量均来源于客观临床数据，包括电子病历、入院测量值和产前超声检查。为避免数据泄漏，数据集首先按8：2分层划分分为训练集和留出测试集。合成少数类过采样技术（Synthetic Minority Over-sampling Technique, SMOTE）仅在训练集和交叉验证训练折中应用，以处理类别不平衡。实施了包含中位数插补、适当特征缩放和SMOTE的完整分析流程。构建并比较了多种模型，包括逻辑回归（logistic regression, LR）、随机森林（random forest, RF）、极端梯度提升（extreme gradient boosting, XGBoost）、CatBoost、k近邻（k-nearest neighbors, KNN）和多层感知机（multi-layer perceptron, MLP）。以训练集上的平均分层交叉验证ROC-AUC作为模型选择的主要标准，并辅以Brier评分、校准曲线和决策曲线分析（decision curve analysis, DCA）来评估模型可靠性和临床净获益。LR在训练集上获得了最高的交叉验证ROC-AUC，在留出测试集上的AUC为0.934（95% CI：0.906–0.957），灵敏度为0.833（95% CI：0.727–0.923），特异度为0.876（95% CI：0.856–0.907），精确率为0.248（95% CI：0.184–0.322），F1分数为0.382（95% CI：0.295–0.458）。在机器学习模型中，CatBoost在AUC、校准和临床可解释性方面表现出相对均衡的性能。尽管XGBoost表现出最高的准确率，但其灵敏度较低，因此不能仅基于平均准确率、精确率和召回率将其选为最佳模型。SHapley加法解释（SHapley Additive exPlanations, SHAP）分析表明，胎儿腹围（abdominal circumference, AC）、宫高、母亲身高、分娩时孕周和入院时母亲AC对预测的贡献最为显著。本研究建立了一个可重复且可解释的巨大儿风险预测流程，适用于妊娠晚期/入院时的决策支持。该模型为高危妊娠的分娩管理和护理提供了补充信息；然