利用孕早期胎儿心脏参数对小于胎龄儿出生体重的风险进行分层

《Obstetrics & Gynecology》：Small-for-Gestational-Age Birth Weight Risk Stratification Using First-Trimester Fetal Cardiac Parameters

胎儿心脏超声参数应用无监督机器学习进行小样本低体重儿风险分层研究，通过k-means聚类分析胸面积和三尖瓣E/A比值等指标，将617例孕妇分为低、中、高三组，高组SGA发生率14.4%，模型AUC达0.71。

　　

摘要简要概述

---

目的：

应用无监督机器学习技术分析孕早期胎儿心脏数据，以优化对小于胎龄（SGA）出生体重的早期风险分层。

方法：

这是一项前瞻性队列研究，纳入了妊娠13周6天（13 6/7周）以内且胎儿、脐带或胎盘无异常的患者。在孕早期超声检查中，测量了胸腔面积、心脏面积、心室入口长度以及房室瓣的频谱和彩色多普勒信号。采用无监督机器学习算法k-means聚类方法，将胎儿分为不同的风险组，其中“小于胎龄出生体重”的定义为出生体重低于该胎龄的第10百分位数。通过回归分析筛选候选变量，并使用肘部法则（elbow method）确定最佳聚类数量。通过Kaplan-Meier分析绘制累积结果发生率曲线，并通过重复交叉验证测试模型性能。

结果：

共有617例妊娠纳入分析，其中45例（7.3%）患者产下了小于胎龄的新生儿。胸腔面积的z分数（P=.031）和三尖瓣E/A比值（P<.001）与小于胎龄出生体重存在独立关联，这些因素被用于聚类算法。一个对结果未知的无监督机器学习算法识别出三个风险组：低风险组（n=202）、中等风险组（n=217）和高风险组（n=198）。这三个风险组中，小于胎龄出生体的发生率分别为1.2%、5.4%和14.4%（P<.001），胎儿心率异常的发生率分别为3.6%、5.4%和8.6%（P=.039），差异显著。模型在交叉验证样本中的曲线下面积值为0.71（95%置信区间：0.64–0.77）。以低风险组为阈值时，模型排除小于胎龄出生体重的特异性为95.5%，敏感性为35.0%；排除小于胎龄出生体重的阴性预测值为99.0%。

结论：

对孕早期胎儿心脏参数进行无监督机器学习可以有效分层评估小于胎龄出生体的风险。

对孕早期胎儿心脏参数进行无监督机器学习可以有效分层评估小于胎龄新生儿的出生风险。