基于机器学习整合抗磷脂抗体水平与临床特征预测抗磷脂抗体综合征不良妊娠结局

这篇前瞻性研究通过机器学习模型（XGBoost/AUROC=0.864）整合抗磷脂抗体（aPLs：aβ2GP1/aCL/LA1/LA2）与12项临床特征（如孕周终止时间、BMI、子痫前期等），首次证实aβ2GP1是预测抗磷脂抗体综合征（APS）不良妊娠结局（APO）的最关键变量，为临床早期识别高风险妊娠提供精准干预策略。

　　

背景

抗磷脂抗体综合征（APS）作为免疫相关疾病，其标志物抗磷脂抗体（aPLs）包括抗心磷脂抗体（aCL）、抗β₂糖蛋白I抗体（aβ2GP1）和狼疮抗凝物（LA），与不良妊娠结局（APO）如复发性流产、胎盘早剥等密切相关。然而，传统统计方法难以捕捉aPLs与临床特征间的非线性关系，亟需机器学习模型突破预测瓶颈。

研究方法

研究纳入2023-2025年德阳市人民医院708例APS孕妇，分为APO组（322例）与非APO组（386例）。通过岭回归筛选出12项关键预测因子，包括aβ2GP1、LA1/LA2、孕周终止时间、首次流产年龄等，并构建6种机器学习模型（LGBM/CatBoost/XGBoost等）。采用SHAP值解析特征贡献度，决策曲线分析（DCA）评估临床效用。

关键发现

模型性能：XGBoost表现最优（AUROC=0.864），显著优于逻辑回归（LR=0.749）和随机森林（RF=0.718）。其Brier评分（0.151）和校准曲线均显示高可靠性。

核心变量：SHAP分析揭示aβ2GP1贡献度最高（均值SHAP=0.32），其次为LA1/LA2（0.28）和孕周终止时间（0.21）。例如，aβ2GP1>40.83 U/mL时，APO风险提升2.9倍。

临床意义：

• •

  抗体水平：APO组aβ2GP1浓度较非APO组高48%（P<0.001），印证其作为首要预警指标的价值。

• •

  妊娠史：>3次不良妊娠史者APO风险增加3.2倍（OR=3.2, 95%CI 1.8-5.6），而药物干预可使风险降低41%。

• •

  并发症关联：子痫前期患者中82%存在LA阳性，提示凝血异常与胎盘功能障碍的潜在机制。

讨论与展望

该研究创新性地将机器学习应用于APS妊娠管理，突破传统线性模型的局限。例如，XGBoost捕捉到BMI与aCL的交互作用：当BMI>27 kg/m²且aCL>35 U/mL时，早产风险骤增5倍。未来需通过多中心验证提升模型泛化能力，并探索基因组数据增强预测精度。

结论

基于aPLs与临床特征的机器学习模型为APS孕妇提供个性化风险评估工具，尤其XGBoost模型在早期识别高风险妊娠中展现卓越潜力，有望成为临床决策的有效辅助系统。