目的本研究引入机器学习极端梯度提升树(eXtreme Gradient Boosting,XGBoost)算法,将可能影响产后宫缩痛的每一个因素作为产后宫缩痛患者的特征表现,对该患者的疼痛程度进行分类识别,以客观的视角出发,研制疼痛评估的新方法,为临床医护工作者提供一套完整的疼痛评估体系,改善以往不重视产后宫缩痛的局面,为产后宫缩痛的治疗提供证据指标。方法1、采用现况调查的研究方法选取江西省某三级甲等专科医院2017年6月-12月在产科分娩住院的经产妇作为调查对象,对经产妇的基本信息、分娩信息、产后宫缩痛疼痛程度等方面进行调查,并对调查表进行探索性因子分析,得出内容效度。共选取805人,获得有效数据600份,运用SPSS20.0统计软件对收集的数据进行统计分析。2、运用机器学习XGBoost的方法,将每一位经产妇视为一个样本量,其相应的数据作为该样本量的属性值,将600例样本前70%作为训练组输入XGBoost计算机算法程序中进行黑箱操作,形成机器评估模型,将后30%的样本作为测试组以验证该模型的准确度,最终得出机器学习产后宫缩痛程度的评估结果。3、将人为主观疼痛评估的结果与机器客观疼痛评估的结果进行比对,以Kappa系数和ROC曲线及AUC值表示两种评估方法的效果。结果1、本研究通过自制经产妇产后宫缩痛一般信息调查表,调查了包括经产妇的基本信息15个条目,自然分娩信息7个条目以及剖宫产手术信息5个条目,另外设计分娩信息补充信息调查表,增加7个自然分娩信息条目和7个剖宫产手术信息条目对分娩信息进行完善。2、本研究自制的产后宫缩痛疼痛评估表,通过评估7个固定情境下(以下分别编号为(1)(2)……(7))的疼痛评分,得出研究对象产后宫缩痛的疼痛程度。疼痛得分结果为:(1)按压子宫下疼痛平均得分8.48±1.34,为重度疼痛;(2)静滴缩宫素时疼痛平均得分6.93±1.51;(3)肌注缩宫素时疼痛平均得分5.25±1.54;(4)哺乳时疼痛平均得分4.51±1.46;(5)下床活动时疼痛平均得分5.67±1.32;(6)改变睡姿时疼痛平均得分4.40±1.70,以上(2)(3)(4)(5)(6)均为中度疼痛;(7)无任何刺激情况下疼痛平均得分3.48±1.75,为轻度疼痛。3、通过探索性因子分析得出,一般信息调查表、自然分娩信息调查表、剖宫产信息调查表的KMO值,即内容效度分别为0.725、0.771和0.838,说明调查表内容间的相关性较强,有公共因子存在(P<0.001)。4、不同文化程度、入院诊断、分娩方式、自然分娩次数、剖宫产手术次数、胎次以及是否母婴分离和母乳喂养的经产妇产后宫缩痛疼痛评分有显著性差异(P<0.05);在产程中是否使用无痛分娩的经产妇产后宫缩痛疼痛评分差异明显(P<0.05);剖宫产手术术中是否有止血操作、术后排尿是否通畅、是否有腹胀以及子宫收缩是否良好的经产妇产后宫缩痛疼痛评分有显著性差异(P<0.05)。5、多元线性回归分析结果表明,影响经产妇产后宫缩痛的主要因素是经产妇的文化程度;另外,自然分娩的产妇是否使用无痛分娩是影响其产后宫缩痛的主要因素;剖宫产手术分娩产妇术中是否进行了止血措施的操作是影响其产后宫缩痛的主要因素。6、Pearson相关性分析结果显示,7个不同时间点的产后宫缩痛之间存在正相关(P<0.01)。7、机器学习分类结果显示,机器能够根据单因素t检验得出的影响因素准确地判断出该样本属于的疼痛等级,从而指导临床工作者实施相应的护理措施。8、将机器学习客观评估经产妇产后宫缩痛程度的结果与人为主观评估的结果进行效果比较,得出两者的Kappa系数为0.735,说明两种评估结果具有高度的一致性;再者,机器学习分类效果的AUC值=0.869,说明机器学习分类评估的结果可能优于人为评估结果。结论1、本研究所用的调查表具有较好的针对性、集中性,可客观准确的反应经产妇产后宫缩痛的疼痛水平,可用于经产妇产后宫缩痛的现状调查与资料收集。2、在经产妇群体中,大多数人对产后宫缩痛的忍受程度较低,其影响因素较多。建议妇产科医院有关管理者逐步重视产后宫缩痛现象,建立规范的产后疼痛评估流程,并提出产后宫缩痛的防治措施,进一步减少因生理性产痛给产妇及其家属带来的困扰,从而提高医院服务质量,提高产妇产褥期生活质量。3、将机器学习分类方法应用于产后宫缩痛程度评估,从评估对象病例料中自动提取影响疼痛评分的相关因素,得出疼痛程度的分类结果,不仅大大提高了临床工作者的工作效率,而且为疼痛评估开辟了新方法,开创了新思路,今后的研究有望将该技术应用于癌痛、其他外科手术痛等研究中,进行临床应用的推广。