Knowledge-Hub Digitalisierung, KI & Gesundheitein Angebot von Monitor Versorgungsforschung

Knowledge-Hub Digitalisierung, KI & Gesundheit › Studien

Ensemble-Learning-Modell zur Frühgeburts-Risiko-Vorhersage bei Gestationsdiabetes

Hao J et al. · BMC Pregnancy Childbirth · erschienen 04.08.2026 · in PubMed seit 31.10.2026 · PMID 42963770

Von KI ausgewählt und zusammengefasst

Worum es geht

Retrospektive Kohortenstudie mit 661 Patienten (Training n=463, Test n=198), die acht einzelne Machine-Learning-Algorithmen und ein Stacking-Ensemble-Modell zur Vorhersage spontaner Frühgeburten bei Gestationsdiabetes-Patientinnen vergleicht.

Ergebnis

Das Stacking-Ensemble-Modell (Kombination aus GBM und Logistische Regression) erreichte AUC von 0,879 mit Genauigkeit 0,768, Sensitivität 0,767 und Spezifität 0,768 im Testdatensatz. Ein Online-Risiko-Rechner wurde entwickelt; beispielhafte Vorhersagen waren 3,26 % für nicht-Frühgeburtsfall und 93,96 % für Frühgeburtsfall. Das Modell zeigte bessere kalibrierter Diskriminierung als Einzelmodelle.

Übertragbarkeit auf Deutschland

China-Studie mit klinischen Laborbefunden, externe Validierung erforderlich vor Versorgungseinsatz.

Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.