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——

  

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——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。

结果

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%。

结论

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。

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——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。

结果

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%。

结论

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。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号