编辑推荐：
研究人员利用机器学习模型，分析孕期数据预测妊娠期糖尿病（GDM）患者产后血脂异常，XGBoost 模型表现优异，助力早期干预。
妊娠期糖尿病（Gestational Diabetes Mellitus，GDM），这个在孕期悄然出现的 “健康杀手”，正威胁着无数母婴的健康。它不仅会增加孕妇患子痫前期、剖宫产、早产和巨大儿的风险，还会让母婴未来患心血管疾病的几率大大提高。而产后血脂异常，更是 GDM 患者产后健康的一大隐患，长期影响着妈妈们的身体。
目前，虽然有一些预测 GDM 患者产后血脂异常的模型，但大多存在方法学缺陷，缺乏时间验证，难以准确、稳定地预测风险。为了解决这一难题，来自惠州市第一妇幼保健院和惠州学院的研究人员展开了深入研究。他们的研究成果发表在《Scientific Reports》上，为 GDM 患者产后血脂异常的预测和干预带来了新的希望。
研究人员为了构建可靠的预测模型，采用了多种关键技术方法。他们收集了惠州市第一妇幼保健院 2021 年 10 月至 2023 年 12 月期间 15946 名单胎孕妇的临床数据作为样本队列。这些数据经过严格清洗、预处理后，被分为 Dataset A（n = 1116）用于模型训练和评估，Dataset B（n = 707）用于时间验证。研究人员运用支持向量机（SVM）、随机森林、决策树、Light Gradient Boosting Machine（LightGBM）和极端梯度提升（XGBoost）这 5 种机器学习算法来构建预测模型。同时，使用信息价值（IV）分析、模型重要性分析和 SHapley Additive exPlanations（SHAP）分析等方法评估特征的重要性。
下面来看具体的研究结果：
- 参与者特征：Dataset A 包含 1116 个样本，其中 422 例（37.8%）出现产后血脂异常；Dataset B 包含 707 个样本，281 例（39.7%）出现产后血脂异常，这两个数据集的血脂异常患病率与之前研究相近1。
- 模型开发与评估：在 Dataset A 的独立测试集中，基于树的集成学习算法（XGBoost、LightGBM 和随机森林）表现出色，预测 GDM 患者产后血脂异常的准确率分别达到 70.54%、70.54% 和 69.64%，AUC-ROC 值分别为 0.7310、0.7194 和 0.7614，优于单一决策树和 SVM 模型。在 Dataset B 的时间验证中，XGBoost 模型表现最佳，准确率达 81.05% ，AUC-ROC 为 0.8792，且时间验证结果整体优于 Dataset A 测试集评估结果23。
- 特征重要性分析：通过相关性热图、IV 分析、XGBoost 特征重要性分析和 SHAP 分析发现，Feature2、总胆固醇、Feature3 与产后血脂异常相关性最强。IV 分析显示，这些特征的 IV 值超过 0.5，预测能力突出。SHAP 分析表明，总胆固醇在 XGBoost 模型中对预测结果的正向贡献最大45。
研究结论与讨论部分意义重大。该研究构建的基于 XGBoost 算法的预测模型，经过严格的内部和时间验证，展现出优秀且稳定的预测性能。新设计的三个研究变量 Feature1、Feature2、Feature3，在预测早期妊娠血脂异常高风险人群方面有很强的正向贡献。借助这个模型和新变量，能够识别和分层高风险人群，以便及时采用限时进食等方法进行干预，改善妊娠结局，减少母婴短期和长期并发症。不过，该研究也存在局限性，如单中心、时间队列研究，未来还需多中心时间验证来进一步确认模型的可靠性。同时，研究人员计划引入深度学习技术，结合图像数据创建多模态模型，提升预测能力。
这项研究为 GDM 患者产后血脂异常的早期预测和干预提供了有力工具，为临床医生制定个性化的治疗方案提供了科学依据，有望推动孕期健康管理的发展，守护更多母婴的健康。
