基于机器学习模型的产时发热预测：一项多中心回顾性研究揭示硬膜外镇痛前临床指标的价值

为解决硬膜外镇痛相关产时发热（Intrapartum fever）缺乏早期预测工具的临床难题，四川妇女儿童医院等机构的研究团队通过多中心回顾性研究，利用LASSO回归筛选出初产状态、胎儿估重等6项关键指标，构建了性能最优的多层感知器（MLP）模型（AUC=0.707）。该研究首次实现基于镇痛前指标的产时发热预测，为临床早期干预提供新策略。

　　

在当代产科实践中，硬膜外镇痛（Combined spinal-epidural anesthesia）已成为缓解分娩疼痛的金标准，但其引发的产时发热（发生率6.4%-33.2%）却像一把双刃剑，可能增加剖宫产、新生儿窒息和NICU入住等风险。更棘手的是，现有预测模型多依赖产程中实时数据，错过最佳干预窗口。这种临床困境呼唤着一种能在镇痛前就识别高风险产妇的"预警系统"。

来自成都市锦江区妇幼保健院和四川锦欣西囡妇女儿童医院的研究团队，在《BMC Pregnancy and Childbirth》发表了一项突破性研究。他们通过分析5052例接受硬膜外镇痛的产妇数据，首次开发出基于镇痛前指标的机器学习预测模型。这项多中心回顾性研究揭示了初产状态、胎儿估重等六项易获取指标与产时发热的关联，最终构建出性能最优的多层感知器（MLP）模型。

研究团队采用三大关键技术：1）通过LASSO回归（Least Absolute Shrinkage and Selection Operator）从25项候选指标中筛选特征；2）运用十折交叉验证优化6种机器学习算法（包括支持向量机SVM、随机森林RF等）；3）采用SHAP（SHapley Additive exPlanations）值解析变量贡献度。所有数据来自2021-2023年两家医院的电子病历系统，严格排除基础体温>37.2°C或合并感染的产妇。

研究结果呈现四大发现：

1. 基线特征分析：发热组产妇具有更高BMI（26.43 vs 26.04 kg/m²）、更多阴道检查次数（2.98 vs 2.52次），且初产妇比例显著更高（93.92% vs 79.20%）。
2. 关键预测因子：LASSO回归锁定身高、初产状态（Primiparity）、贫血、阴道检查次数、宫颈扩张程度和胎儿估重这六项指标，其中初产状态SHAP值最高，显示最强预测力。
3. 模型性能对比：MLP模型以AUC 0.707（95%CI 0.658-0.752）领跑，敏感性达0.753，显著优于传统逻辑回归（LR）和XGBoost（XGB）模型。
4. 临床适用性：决策曲线分析（DCA）显示MLP模型在全阈值范围内具有净收益，校准曲线紧贴理想对角线，验证其临床实用性。

讨论部分指出，该研究的创新性体现在三方面：首先，首次证实宫颈扩张程度（Size of uterine dilatation）这一既往被忽视的指标与发热风险负相关（β=-0.65），可能反映镇痛持续时间差异；其次，发现身高作为保护因素的新机制——较高产妇脊髓麻醉阻滞节段较少，利于体温调节；最后，MLP模型通过捕捉指标间非线性交互作用（如贫血与阴道检查次数的协同效应），实现比线性模型更精准的预测。

尽管存在回顾性研究的局限性，这项研究仍为产科实践带来重要变革。模型仅需录入镇痛前常规检查数据，即可在产程启动时预警发热风险，使临床医生能针对性加强体温监测或调整镇痛方案。未来研究可整合细胞因子等生物标志物以提升预测精度，但当前模型已为改善母婴健康结局迈出关键一步。正如作者强调，这种"预防优于治疗"的策略，可能重塑硬膜外镇痛的安全应用范式。