
-
生物通官微
陪你抓住生命科技
跳动的脉搏
用于早期妊娠子痫前期预测的多参数风险分层模型:整合早孕期与孕中期生物标志物及机器学习技术
《Bratislava Medical Journal》:A Multi-Parametric Risk Stratification Model for Early-Pregnancy Prediction of Preeclampsia: Integrating First- and Second-Trimester Biomarkers with Machine Learning
【字体: 大 中 小 】 时间:2026年10月18日 来源:Bratislava Medical Journal 1.4
编辑推荐:
摘要背景子痫前期仍是导致孕产妇及围产期发病的重要原因。本研究旨在开发并内部验证一个可解释的机器学习框架,整合常规可获得的第一和第二季度参数,用于临床前的风险分层。方法本回顾性病例对照研究纳入了524例单胎妊娠(262例子痫前期患者和262例血压正常对照)。七项预设预测因子——
子痫前期仍是导致孕产妇及围产期发病的重要原因。本研究旨在开发并内部验证一个可解释的机器学习框架,整合常规可获得的第一和第二季度参数,用于临床前的风险分层。
本回顾性病例对照研究纳入了524例单胎妊娠(262例子痫前期患者和262例血压正常对照)。七项预设预测因子——12周平均动脉压(MAP)、妊娠相关血浆蛋白A(PAPP-A)、甲胎蛋白(AFP)、未结合雌三醇、嗜酸性粒细胞-淋巴细胞比值(ELR)、中性粒细胞-淋巴细胞比值和淋巴细胞计数——分别采用逻辑回归、随机森林、高斯朴素贝叶斯、支持向量机和k近邻算法进行评估。内部验证采用分层10折交叉验证,各分类器使用相同的折分组方案。同时构建了一个五变量加权临床风险评分。
MAP的单变量判别能力最高(受试者工作特征曲线下面积 [AUC] = 0.891)。在交叉验证中,高斯朴素贝叶斯获得了数值上最高的平均AUC(0.948 ± 0.024)、准确率(0.885 ± 0.031)、召回率(0.893 ± 0.044)和F1分数(0.886 ± 0.032),而随机森林的平均精确率最高(0.891 ± 0.042)。加权临床风险评分的AUC为0.885,准确率为81.9%。
该框架展现了较强的内部判别能力,但仍处于探索阶段。由于该评分纳入了约16周的甲胎蛋白和雌三醇检测数据,不应将其解释为纯第一季度阿司匹林选择模型。在临床应用前,尚需进行前瞻性外部验证、校准以及亚型特异性评估。
子痫前期仍是导致孕产妇及围产期发病的重要原因。本研究旨在开发并内部验证一个可解释的机器学习框架,整合常规可获得的第一和第二季度参数,用于临床前的风险分层。
本回顾性病例对照研究纳入了524例单胎妊娠(262例子痫前期患者和262例血压正常对照)。七项预设预测因子——12周平均动脉压(MAP)、妊娠相关血浆蛋白A(PAPP-A)、甲胎蛋白(AFP)、未结合雌三醇、嗜酸性粒细胞-淋巴细胞比值(ELR)、中性粒细胞-淋巴细胞比值和淋巴细胞计数——分别采用逻辑回归、随机森林、高斯朴素贝叶斯、支持向量机和k近邻算法进行评估。内部验证采用分层10折交叉验证,各分类器使用相同的折分组方案。同时构建了一个五变量加权临床风险评分。
MAP的单变量判别能力最高(受试者工作特征曲线下面积 [AUC] = 0.891)。在交叉验证中,高斯朴素贝叶斯获得了数值上最高的平均AUC(0.948 ± 0.024)、准确率(0.885 ± 0.031)、召回率(0.893 ± 0.044)和F1分数(0.886 ± 0.032),而随机森林的平均精确率最高(0.891 ± 0.042)。加权临床风险评分的AUC为0.885,准确率为81.9%。
该框架展现了较强的内部判别能力,但仍处于探索阶段。由于该评分纳入了约16周的甲胎蛋白和雌三醇检测数据,不应将其解释为纯第一季度阿司匹林选择模型。在临床应用前,尚需进行前瞻性外部验证、校准以及亚型特异性评估。