تحليل مقارن لأساليب التعلم المُشرف في الكشف عن مخاطر صحة الأم

الملخص

تتضمن مخاطر صحة الأم ظروفًا تهدد صحة المرأة الحامل، مما يتطلب تقييمًا في الوقت المناسب لمنع المضاعفات وضمان نتائج حمل أكثر أمانًا، كما أن تقييم مخاطر صحة الأم ضروري للتدخل المبكر. يوفر التعلم الآلي طرق تنبؤ دقيقة، مما يحسن النتائج للنساء الحوامل، وخاصة في البيئات محدودة الموارد. تهدف هذه الدراسة إلى تقييم ومقارنة أداء طرق التعلم الآلي المختارة في التنبؤ بمستويات مخاطر صحة الأم أثناء الحمل. تم جمع البيانات من مستشفيات مختلفة وعيادات مجتمعية ومراكز رعاية صحية للأمهات تقع في المناطق الريفية في بنغلاديش باستخدام نظام مراقبة المخاطر القائم على إنترنت الأشياء. تضمنت مجموعة البيانات ست ميزات إدخال: العمر وضغط الدم الانقباضي وضغط الدم الانبساطي وسكر الدم ودرجة حرارة الجسم ومعدل ضربات القلب. تم تصنيف متغير النتيجة، مستوى الخطر، إلى ثلاث فئات: منخفض وخفيف وعالي. تم تطبيق ثلاث خوارزميات للتعلم الآلي وهي اللجنة العشوائية (RC) والمصنف المفلتر العشوائي (RFC) وأقرب جار مع التعميم (NNge) على مجموعة البيانات لتقييم دقة تصنيفها. كان الهدف الرئيسي تحديد النموذج الأكثر فعالية للكشف المبكر عن مخاطر صحة الأم وتصنيفها، مما قد يُرشد مُقدمي الرعاية الصحية في التدخل في الوقت المناسب. بشكل عام، برزت خوارزمية اللجنة العشوائية (RC) كأكثر خوارزميات هذه الدراسة فعالية، حيث تُقدم أعلى دقة (85.21%)، وحساسية ونوعية متوازنة، وأكبر عدد من الحالات المصنفة بشكل صحيح. بينما يُقدم RFC أداءً مُشابهًا، ويُعتبر بديلاً موثوقًا، فإن NNge، على الرغم من نوعيته القوية في فئة المخاطر المنخفضة، يُظهر دقة أقل قليلاً وتصنيفًا خاطئًا أعلى، مما يجعله أقل ملاءمة لاتخاذ القرارات الطبية عالية المخاطر حيث يكون التحديد الدقيق للمرضى المعرضين لمخاطر عالية أمرًا بالغ الأه