综述：人工智能方法在妊娠期糖尿病预测中的应用：系统性文献回顾

本综述系统回顾了人工智能（AI）与机器学习（ML）在妊娠期糖尿病（GDM）预测领域的最新进展。文章指出，尽管逻辑回归（LR）、支持向量机（SVM）等传统模型应用广泛，但多数研究存在高偏倚风险，且缺乏外部验证与临床可解释性。综述强调，未来研究需整合孕前数据与可穿戴设备信息，开发透明、可信的AI模型，以推动GDM的早期个性化干预。

　　

引言：GDM的挑战与AI的机遇

妊娠期糖尿病（GDM）是妊娠期最常见的代谢性疾病，全球发病率约为14%，对母婴健康构成严重威胁。传统诊断通常在孕24-28周进行，错失了早期干预的黄金窗口。人工智能（AI）和机器学习（ML）技术为利用大规模、多模态数据实现GDM的早期预测带来了新的希望。本系统性综述旨在全面概述用于GDM预测的AI/ML方法，特别关注利用孕前和孕期数据的研究。

研究方法：系统性回顾与质量评估

本综述严格遵循PRISMA指南，检索了截至2024年5月27日的PubMed、Scopus、IEEE和Web of Science数据库。最终纳入78项符合标准的研究。研究质量采用PROBAST工具评估偏倚风险（ROB），并使用IJMEDI清单评估AI模型开发过程的质量。

结果概览：主流方法与数据利用

• •
  常用AI方法：逻辑回归（LR，46项研究）、树型模型（如随机森林RF，41项研究）和支持向量机（SVM，29项研究）是最常用的AI方法。然而，在报告性能最佳的模型中，神经网络（15项研究）和 boosting 方法（如XGBoost，14项研究）表现突出。
• •
  关键预测因子：最常用的预测因子包括体重指数（BMI，50项研究）、年龄（48项研究）和糖尿病家族史（FHDM，19项研究）。血糖相关参数，如空腹血糖（FPG）、糖化血红蛋白（HbA1c）和口服葡萄糖耐量试验（OGTT）也被广泛使用。
• •
  孕前数据利用不足：仅有12项研究尝试利用孕前数据（如遗传信息、孕前实验室数据）进行预测，这表明该领域存在巨大探索空间。
• •
  可穿戴设备数据潜力：仅有两项小规模研究使用了连续血糖监测（CGM）等可穿戴设备数据，其潜力远未被充分发掘。
• •
  模型验证与性能报告：绝大多数研究（73项）仅进行了内部验证。仅有13项研究进行了外部验证，3项进行了独立验证，这严重限制了模型的泛化能力和临床转化前景。性能指标报告不完整，例如，54项研究报告了曲线下面积（AUC），但只有40项和26项分别报告了敏感性（Sen）和特异性（Spe）。校准和临床决策曲线分析等关键指标则极少被报告。

质量评估：高偏倚风险与报告缺陷

PROBAST评估显示，94%的研究存在高偏倚风险，主要源于分析领域的缺陷，如缺失数据处理不当、预测因子筛选不透明、模型校准缺失等。IJMEDI清单评估的平均得分为25.1分（满分50分），表明大多数研究在数据准备、模型验证和部署准备方面存在不足。

讨论与未来方向

当前GDM预测的AI研究似乎陷入了一个“舒适区”，过度依赖少数几种传统模型。未来的突破点可能在于：

1. 1.
   数据创新：整合孕前健康档案、可穿戴设备产生的连续生理数据（如CGM、体力活动），构建纵向、多模态数据集。
2. 2.
   方法学进阶：超越预测，发展可解释AI（XAI）和因果模型，以理解GDM发生发展的内在机制，而不仅仅是关联关系。
3. 3.
   临床转化驱动：加强跨学科合作，确保模型开发之初就考虑到临床工作流程的需求。严格遵循TRIPOD+AI等报告规范，进行广泛的外部验证和成本效益分析，是迈向临床应用的必由之路。

结论

AI驱动的GDM预测研究正在迅速发展，展现出实现更早、更个性化干预的强大潜力。然而，当前大多数模型的方法学严谨性和报告透明度不足，阻碍了其向临床实践的转化。未来的工作应优先考虑透明报告、外部验证，并利用多样化纵向数据开发值得信赖、可解释的模型。数据科学家、临床医生和医疗系统之间更紧密的合作，对于实现从AI创新到临床实践的闭环至关重要。