Machine Learning-Based Maternal Health Risk Assessment: A Comparative Analysis of Classification Algorithms for Predicting Risk Levels During Pregnancy
Notice bibliographique
Résumé
Background: Maternal health risk assessment remains a critical challenge in healthcare, particularly in resource-limited settings where early identification of high-risk pregnancies can significantly impact maternal and fetal outcomes. This study evaluates the performance of multiple machine learning algorithms for predicting maternal health risk levels using physiological parameters. Methods: We analyzed a dataset of 1014 pregnant women from Kaggle, incorporating six key features: age, systolic blood pressure, diastolic blood pressure, blood sugar levels, body temperature, and heart rate. Risk levels were classified as mild (0), moderate (1), and severe (2). Four machine learning algorithms were implemented and compared: Logistic Regression, Random Forest, Support Vector Machine (SVM), and K-Nearest Neighbors (KNN). Results: Random Forest and SVM achieved perfect classification performance with 100% accuracy, precision, recall, and F1-scores across all risk categories. Logistic Regression demonstrated strong performance with 98% overall accuracy, showing minor challenges in recall for moderate risk cases (93%). KNN achieved 98% accuracy with balanced performance across risk categories, though slightly lower precision for mild risk cases (95%). Conclusion: Machine learning algorithms, including Random Forest and SVM, show promise in predicting maternal health risks; however, further validation across diverse populations is essential before clinical adoption.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».