《International Journal of General Medicine》：Novel Clinically Validated Machine Learning Model for Early Pregnancy Loss in Recurrent Spontaneous Abortion: Integrating Serum Autoantibodies and Ultrasonic Parameters
编辑推荐：
本综述建立并验证了整合血清自身抗体（aβ2-GP1、TgAb、AsAb、ACA）与超声子宫内膜容受性参数（RI、内膜厚度、内膜体积、VI、VFI）的机器学习模型（Logistic回归最优，AUC=0.94），可精准预测复发性流产（RSA）患者再次妊娠的早期流产风险。该模型通过列线图实现可视化风险分层，为临床个体化干预提供新策略。
研究背景与意义
复发性流产（RSA）指连续发生≥2次妊娠丢失，全球发病率达1%-5%，其中超过40%患者病因不明（不明原因RSA，URA）。患者再次妊娠时流产风险高达33%，且常伴焦虑抑郁等心理问题。现有预测模型（如Lund模型、Kolte & Westergaard模型）因变量不全、验证不足而受限。近年来，机器学习（ML）技术在精准医疗中展现优势，而免疫因素（如自身抗体）与子宫内膜容受性参数被证实与妊娠结局密切相关。本研究旨在整合血清自身抗体与超声参数，构建可临床应用的早期流产预测模型。
研究方法与对象
回顾性纳入2019年1月至2024年12月西安市人民医院（西安市第四医院）生殖医学科收治的RSA患者，均符合≥2次自然流产史、当前孕6-12周、宫内单胎妊娠标准。排除合并子宫病变、血流动力学疾病者。最终589例患者按7:3随机分为训练集（n=412）与验证集（n=177）。收集基线资料、血清自身抗体（aβ2-GP1、TgAb、AsAb、ACA）及超声参数（阻力指数RI、内膜厚度、内膜体积、血管化指数VI、血流指数VFI）。通过单因素/多因素Logistic回归、LASSO回归、SHAP值分析筛选变量，并比较逻辑回归（LR）、随机森林（RF）、XGBoost等7种机器学习模型性能。
关键结果发现
- 1.
预测因子筛选：多因素分析确定8个核心预测变量，包括aβ2-GP1阳性、TgAb阳性、AsAb阳性、RI升高，以及内膜厚度、内膜体积、VI、VFI降低（均P<0.001）。
- 2.
模型性能对比：LR模型表现最优，训练集AUC=0.94、准确率=0.93；验证集AUC=0.92、准确率=0.90，显著优于其他模型（如XGBoost AUC=0.88）。决策曲线（DCA）与校准曲线均显示LR模型具良好临床适用性与预测一致性。
- 3.
临床工具开发：基于LR模型构建在线列线图（图5A），整合8变量实现个体化风险评分。校准曲线（图5B、5C）显示预测概率与实际结局高度吻合。
机制与临床关联性分析
- •
自身抗体作用：aβ2-GP1通过促血栓形成及滋养细胞损伤导致流产；TgAb可能扰乱下丘脑-垂体-卵巢轴（HPO轴）平衡及免疫微环境（如升高IFN-γ、IL-17A）；AsAb则干扰精子与透明带（ZP）结合，影响胚胎着床。
- •
超声参数意义：内膜厚度、体积及VFI降低反映子宫内膜容受性下降；RI升高提示子宫动脉血流阻力增加，导致胎盘灌注不足，与既往研究一致（如孕8-10周RI升高者流产风险显著增加）。
研究局限与展望
本研究为单中心回顾性设计，样本同质性强，未纳入男性因素、生活方式及动态生化指标（如β-hCG变化）。未来需通过多中心前瞻性研究扩大样本，引入更多变量以优化模型普适性。
结论
本研究成功建立基于自身抗体与超声参数的LR预测模型，为RSA患者早期流产风险分层提供精准工具，有望指导临床个体化干预，改善妊娠结局。
