Scientific Reports· 2026Q1
Heterojen özellik uzaylarında SGA tahmini için özellik uyumlaştırmalı çapraz saha havuzlama çerçevesi
Cross-site pooling with feature harmonization for small-for-gestational-age (SGA) prediction across heterogeneous feature spaces
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Özellik uyumlaştırmayı içeren yeni bir çapraz saha havuzlama çerçevesi, Malezya ve Hindistan'daki heterojen antenatal veri kümeleri arasında gestasyonel yaşa göre küçük (SGA) tahmini mümkün kılarak Malezya'da 0.823 ve Hindistan'da 0.673 AUROC elde etti; bu değerler ülke özel modellerle karşılaştırılabilir düzeydedir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Heterojen Malezya ve Hindistan antenatal verilerini kullanarak SGA tahmini için yeni bir çapraz saha havuzlama çerçevesi geliştirildi.
- Çerçeve, özelliğe özgü tamamlama ve sızıntıdan güvenli bölümlemeyi içermektedir.
- Özellik uyumlaştırma, farklı özellik uzaylarına sahip veri kümelerinin entegrasyonunu sağladı ve 0.823 (Malezya) ve 0.673 (Hindistan) AUROC değerlerine ulaşıldı.
- Performans, ülke özel modellerle karşılaştırılabilir düzeydeydi, özellikle Malezya'da (0.823'e karşı 0.825) ve Hindistan'da sayısal olarak daha yüksekti (0.673'e karşı 0.553).
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Small-for-gestational-age (SGA) neonates face health risks when undetected, yet machine learning (ML) models are difficult to apply across sites with heterogeneous feature availability. We developed a cross-site pooling framework, incorporating feature-specific imputation and leakage-safe five-fold partitioning, for SGA prediction using Malaysian ( n = 18,582) and Indian ( n = 1,760) antenatal data. The framework is evaluated on a held-out partition of 853 complete records including 184 SGA events. Three training strategies were evaluated: (i) country-specific training using common features (baseline), (ii) pooled training with feature harmonization, and (iii) cross-country transfer using common features. In the Malaysia test set ( n = 807, 169 SGA), the AUROCs were 0.825, 0.823, and 0.606, whereas in India test set ( n = 46, 15 SGA), they were 0.553, 0.673, and 0.695. The feature-harmonized approach showed results similar to the country-specific baseline in Malaysia (0.823 vs. 0.825) and numerically higher than the India-only baseline in India (0.673 vs. 0.553) with wide overlapping CIs on 46 scans (15 SGA). In a training size-matched analysis, pooling Malaysian data raised India AUROC from 0.573 to 0.653 (95% CI 0.604–0.706) while adding the harmonized feature gave 0.655 (95% CI 0.608–0.706), no measurable difference. Compared to clinical diagnosis using EFW<10th centile, the model achieved slightly lower AUROC (Malaysia: 0.823 vs. 0.838; India: 0.673 vs. 0.695). We showed that cross-site pooling was feasible despite heterogeneous feature availability. Feature harmonization enabled integration of datasets with differing feature spaces rather than providing discriminative gain. Independent validation on unseen sites, clinically justified operating thresholds, and prospective evaluation are required before clinical deployment.
Yazarların özeti; kaynağından alınmıştır. Scientific Reports, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Sağlık Bilgi Yönetimi
Health Information ManagementHealth Professions