A Machine Learning-Based Decision Support System Design to Predict Maternal Health Risk Groups During Pregnancy

Abstract

Early detection of maternal health risks during pregnancy and appropriate interventions are vital for maternal and infant health. In this process, the use of machine learning (ML) algorithms that can automatically analyze complex relationships and patterns from large datasets plays a critical role. By revealing hidden information in large data sets, ML algorithms offer the opportunity to more accurately identify pregnancy-related risk factors. In this context, this study focuses on increasing the success of predicting maternal health risk levels during pregnancy, especially in high-risk pregnancies. For this purpose, firstly, important (critical) features that will increase the success are identified and the most effective computer-based decision support system is designed by using six different machine learning algorithms. By applying the Chi-Square test in combination with the SelectKBest method, it was determined that the most critical characteristics in the dataset were age, systolic blood pressure and diastolic blood pressure. In addition, synthetic minority oversampling technique (SMOTE) was utilized to address the imbalance in the dataset. The performance of the ML algorithms used in the proposed model is analyzed by hold-out performance evaluation method. In the light of the findings, it was determined that the use of the SMOTE technique has a positive effect on improving model performance in predicting risk levels in pregnancy. In the proposed model, the highest classification performance for each classification algorithm was obtained for the high risk class. Among the algorithms used, the extreme gradient boosting algorithm was found to have the best performance with a 97% success rate. Overall, the results confirm that the proposed model is highly effective in detecting high-risk pregnancies. This finding shows that the proposed ML-based decision support system has the potential to provide significant support to specialist physicians in making more accurate diagnoses and performing the necessary interventions more quickly during pregnancy.

Keywords

• Pregnancy risk classes
• Maternal health
• Machine learning
• Feature selection
• SMOTE

Gebelikte Anne Sağlığı Risk Gruplarının Tahminine Yönelik Makine Öğrenmesi Tabanlı Bir Karar Destek Sistem Tasarımı

Abstract

Gebelik döneminde anne sağlığı risklerinin erken tespiti ve uygun müdahalelerin yapılması, anne ve bebek sağlığı açısından hayati bir önem taşımaktadır. Bu süreçte, büyük veri kümelerinden elde edilen karmaşık ilişkileri ve desenleri otomatik olarak analiz edebilen makine öğrenme (MÖ) algoritmalarının kullanımı son derece kritik bir rol oynamaktadır. MÖ algoritmaları, büyük veri setlerindeki gizli bilgileri açığa çıkararak, gebelikle ilişkili risk faktörlerini daha doğru bir şekilde belirleme imkanı sunmaktadır. Bu bağlamda gerçekleştirilen bu çalışmada, gebelik sürecinde anne sağlığı risk seviyelerinin özellikle yüksek riskli hamileliklerin tahmininde başarının arttırılmasına odaklanılmıştır. Bunun için öncelikle başarımı artıracak önemli (kritik) özellikler belirlenmiş ve altı farklı makine öğrenme algoritması kullanılarak en etkili bilgisayar temelli karar destek sistemi tasarlanmaya çalışılmıştır. Ki-Kare testi SelectKBest yöntemiyle birlikte uygulanarak, veri setindeki en kritik özelliklerin yaş, sistolik kan basıncı ve diyastolik kan basıncı olduğu tespit edilmiştir. Yanı sıra veri setindeki dengesizliği gidermek için sentetik azınlık aşırı örnekleme tekniğinden (SMOTE) yararlanılmıştır. Önerilen modelde kullanılan MÖ algoritmalarının başarımları hold-out performans değerlendirme yöntemiyle analiz edilmiştir. Elde edilen bulgular ışığında, SMOTE tekniğinin kullanılmasının gebelikteki risk seviyelerinin tahmininde model başarımlarını artırmada olumlu bir etkiye sahip olduğu belirlenmiştir. Önerilen modelde her bir sınıflandırma algoritması için en yüksek sınıflandırma başarımı yüksek risk sınıfı için elde edilmiştir. Kullanılan algoritmalar arasında, %97 başarı oranıyla en üstün performansa sahip olanının ekstrem gradyan arttırma algoritması olduğu tespit edilmiştir. Genel olarak elde edilen sonuçlar, önerilen modelin yüksek risk taşıyan gebeliklerin tespitinde son derece etkili olduğunu doğrulamaktadır. Bu bulgu, önerilen MÖ temelli karar destek sisteminin uzman hekimlere gebelik sürecinde daha doğru teşhisler koyma ve gerekli müdahaleleri daha hızlı bir şekilde gerçekleştirme konusunda önemli bir destek sağlama potansiyeline sahip olduğunu göstermektedir.

Keywords

• Gebelik risk sınıfları
• Anne sağlığı
• Makine öğrenmesi
• Özellik seçimi
• SMOTE

References

1. Abacı İ, Yıldız K. 2023. SMOTE vs. KNNOR: An evaluation of oversampling techniques in machine learning. Gümüşhane Üniv Fen Bil Derg, 13(3): 767-779.
2. Ahmed M, Kashem MA, Rahman M, Khatun S. 2020. Review and analysis of risk factor of maternal health in remote area using the Internet of Things (IoT). 5th International Conference on Electrical, Control & Computer Engineering, July 29, Kuantan, Pahang, Malaysia, pp: 357-365.
3. Ahmed M, Kashem MA. 2020. IoT based risk level prediction model for maternal health care in the context of Bangladesh. 2nd International Conference on Sustainable Technologies for Industry 4.0, December 19-20, Dhaka, Bangladesh, pp: 1-6.
4. Ahmed M. 2023. Maternal health risk. UCI Machine Learning Repository. DOI: https://doi.org/10.24432/C5DP5D (erişim tarihi: 2 Şubat 2023).
5. Al-Hindi MY, Al Sayari TA, Al Solami R, Baiti AKA, Alnemri JA, Mirza IM, Faden YA. 2020. Association of antenatal risk score with maternal and neonatal mortality and morbidity. Cureus, 12(12): e12230.
6. Diamantoulaki I, Diamantoulakis PD, Bouzinis PS, Sarigiannidis P, Karagiannidis GK. 2022. Health risk assessment with federated learning. International Balkan Conference on Communications and Networking, Aug. 22-24, Sarajevo • Bosnia and Herzegovina, pp: 57-61.
7. Edayath P. 2022. Analysis of factors affecting maternal health using data mining techniques. Doctoral dissertation, The University of Texas at El Paso, US.
8. Elen A, Baş S, Közkurt C. 2022. An adaptive gaussian kernel for support vector machine. Arabian J Sci Eng, 47(8): 10579-10588.

9. Finlayson K, Crossland N, Bonet M, Downe S. 2020. What matters to women in the postnatal period: A meta-synthesis of qualitative studies. PloS One, 15(4): e0231415.
10. Friedman JH. 2002. Stochastic gradient boosting. Comput Stat Data Analy, 38(4): 367-378.
11. Gündoğdu S. 2023. Efficient prediction of early-stage diabetes using XGBoost classifier with random forest feature selection technique. Multim Tools Appl, 82(22): 34163-34181.
12. Hacıbeyoğlu M, Çelik M, Çiçek ÖE. 2023. K en yakın komşu algoritması ile binalarda enerji verimliliği tahmini. Necmettin Erbakan Üniv Fen Müh Bil Derg, 5(2): 28-37.
13. Jahan S, Islam MS, Islam L, Rashme TY, Prova AA, Paul BK, Mosharof MK. 2021. Automated invasive cervical cancer disease detection at early stage through suitable machine learning model. SN Appl Sci, 3: 1-17.
14. Kırlı OA, Sansarcı M, Özkaraca O, Çetin G. 2023. Manyetik rezonans görüntülerinden beyin tümörü tespitinde sınıflandırma algoritmalarının karşılaştırmalı analizi. Türk Müh Araş Eğit Derg, 2(2): 113-122.
15. Macrohon JJE, Villavicencio CN, Inbaraj XA, Jeng JH. 2022. A semi-supervised machine learning approach in predicting high-risk pregnancies in the Philippines. Diagnostics, 12(11): 2782.
16. Mutlu HB, Durmaz F, Yücel N, Cengil E, Yildirim M. 2023. Prediction of maternal health risk with traditional machine learning methods. Naturengs, 4(1): 16-23.
17. Pawar L, Malhotra J, Sharma A, Arora D, Vaidya D. 2022. A robust machine learning predictive model for maternal health risk. 3rd International Conference on Electronics and Sustainable Communication Systems, August 17-19, Coimbatore, India, pp: 882-888.
18. Rai SK, Sowmya K. 2018. A review on use of machine learning techniques in diagnostic health-care. AI Syst Mach Learn, 10(4): 102-107.
19. Ramdhani Y, Maulidia D, Setiadi A, Alamsyah DP. 2022. Feature weighting optimization: Genetic algorithms and random forest for classification of pregnant potential risk. International Conference on Information Technology Research and Innovation, November 10, Virtual, pp: 95-100.
20. Selvakuberan K, Indradevi M, Rajaram R. 2008. Combined feature Selection and classification–A novel approach for the categorization of web pages. J Info Comput Sc, 3(2): 083-089.
21. Şahin F, Tulum G, Karaca Ş. 2023. Anne sağlığı riski için makine öğrenmesi modellerinin performans karşılaştırması. Dicle Üniv Müh Fak Müh Derg, 14(4): 547-553.
22. Togunwa TO, Babatunde AO. 2023. Deep hybrid model for maternal health risk classification in pregnancy: synergy of ANN and random forest. Front AI, 6: 1213436.
23. Tokmak M. 2023. Anne sağlık durumu riskinin makine öğrenmesi yöntemleri ile belirlenmesi1. In: Bozdemir M, uzun Arslan R, editörler. Müh Alanında Akademik Analiz ve Tartışmalar, Editötler, Özgür Yayınları, Gaziantep, Türkiye, pp: 75.
24. Umoren I, Chigozirim F, Silas A, Ekong B. 2022. Modeling and prediction of pregnancy risk for efficient birth outcomes using decision tree classification and regression model. URL: https://www.researchgate.net/profile/Imeh-Umoren/publication/359742528_Modeling_and_Prediction_of_Pregnancy_Risk_for_Efficient_Birth_Outcomes_Using_Decision_Tree_Classification_and_Regression_model/links/624c5b31ef01342066596129/Modeling-and-Prediction-of-Pregnancy-Risk-for-Efficient-Birth-Outcomes-Using-Decision-Tree-Classification-and-Regression-model.pdf (erişim tarihi: 15 Ocak 2024)
25. Yakut Ö, Bolat E. 2020. Arrhythmia diagnosis from ECG signal using tree-based machine learning methods. Int J Math Eng Nat Sci, 4(16): 954-964.
26. Yıldız İ, Kotan AE, Altınel AB. 2023. Türkçe faturaların sınıflandırılmasında farklı öznitelik seçimi yöntemleri ile topluluk öğrenme algoritmalarının etkilerinin incelenmesi. Avrupa Bil Teknol Derg, (52): 272-278.