基于夜间心率变异性特征的妊娠早期机器学习模型预测妊娠期糖尿病的回顾性队列研究

本研究针对妊娠期糖尿病(GDM)早期预测的临床需求，创新性地将夜间心率变异性(HRV)特征与基线风险因素相结合，开发了逻辑回归机器学习模型。研究团队利用美国nuMoM2b队列2748名初产妇的睡眠心电图数据，发现整合HRV特征的联合模型预测效能显著提升(AUC=0.73)，优于仅用基线特征(AUC=0.69)和美国国立卫生研究院(NIH)指南(AUC=0.63)。该成果为无创、便捷的GDM早期筛查提供了新思路，论文发表于《npj Women's Health》。

　　

妊娠期糖尿病(GDM)作为妊娠期最常见的并发症之一，正日益成为全球公共卫生挑战。随着肥胖率上升和生育年龄推迟，GDM发病率持续攀升，在某些亚洲地区甚至超过20%。传统诊断依赖24-28周的口服葡萄糖耐量试验(OGTT)，但此时干预已错过最佳窗口期——胎儿异常生长可能在确诊前就已发生。更棘手的是，现有基于人口统计学特征的预测方法准确率有限，而血液生物标志物检测又存在侵入性缺陷。这一困境催生了对新型预测指标的迫切需求。

荷兰埃因霍温理工大学等机构的研究团队独辟蹊径，将目光投向自主神经系统(ANS)活动的外在表现——心率变异性(HRV)。已有证据表明，代谢综合征与ANS失衡密切相关，交感神经过度激活会通过多重机制影响胰岛素分泌和敏感性。妊娠期特有的激素波动可能放大这种失衡，而HRV恰能无创反映ANS功能状态。研究团队利用美国nuMoM2b大型队列数据，首次系统评估了妊娠早期夜间HRV对GDM的预测价值，相关成果发表在《npj Women's Health》。

研究采用三项关键技术方法：1)从2748名初产妇6-15周妊娠期的家庭睡眠监测中提取52项HRV特征；2)结合NIH指南推荐的7项基线风险因素(年龄、BMI等)；3)通过十折交叉验证比较逻辑回归模型的预测效能，采用弹性网络正则化处理特征共线性。队列来自美国8个临床中心，最终纳入121例GDM和2627例对照。

【Cohort and HRV characteristics】分析显示，GDM组年龄(29.7±5.6岁vs 26.6±5.5岁)和BMI(29.7±7.7 kg/m² vs 26.1±6.1 kg/m²)显著更高，46/52项HRV特征存在组间差异。值得注意的是，亚洲人群GDM风险显著高于其他族裔(10.7% vs 3.3%)。

【Evaluation of the NIH guidelines】现行NIH指南将2/3孕妇划为高风险群体，但实际GDM检出率仅5.9%，产生大量假阳性。其风险评分系统AUC仅0.63，显著低于机器学习赋权模型。

【Evaluation of machine learning models】联合模型表现最优(AUC=0.73)，较基线模型提升5.8%。特征重要性分析揭示，平均心率(HR)是最强正向预测因子，反映交感亢进；而RMSSD(相邻RR间期差值均方根)、PNN50(相差>50ms的RR间期比例)等副交感指标呈负相关。值得注意的是，在<25岁或BMI<25 kg/m²的低风险亚组中，HRV特征的加入使预测准确率提升10-15%。

【Subgroup analysis】模型在肥胖(BMI>30)或高龄(>30岁)人群中的改进幅度较小(2-4%)，可能与睡眠呼吸紊乱干扰HRV测量有关。这也提示当前模型对传统高风险人群的鉴别力仍有提升空间。

【Discussion】这项研究首次证实妊娠早期夜间HRV可作为GDM预测的新型生理标志物。其重要意义体现在三方面：1)方法学创新，将可穿戴设备易获取的HRV特征转化为临床预测指标；2)临床价值，为OGTT前实施干预提供时间窗口；3)人群获益，尤其改善中低风险孕妇的早期识别。局限性包括单次HRV测量的可靠性问题，以及不同OGTT诊断标准可能带来的异质性。未来研究可通过延长监测时长、结合睡眠分期等进一步提升模型性能。

该成果为GDM早期筛查开辟了无创新途径，其"设备友好型"特征尤其适合家庭监测场景。随着远程医疗发展，这种融合生理信号与机器学习的方法或将成为妊娠健康管理的重要工具，助力实现GDM的精准预防。