基于第一孕期实验室指标与机器学习的妊娠糖尿病早期风险预测模型

《Scientific Reports》：A machine learning-based predictive model for gestational diabetes mellitus based on first trimester clinical indicators

　　

摘要

妊娠糖尿病（GDM）是一种常见的妊娠并发症，与不良的母婴结局相关。由于其通常在妊娠第二孕期被诊断出来，因此早期识别仍然具有挑战性。我们评估了是否可以通过结合常规第一孕期的实验室指标和机器学习（ML）来实现早期风险预测。共有260名孕妇（130例GDM患者和130例对照组）参与了研究，并收集了16项第一孕期的指标。参与者被随机分为训练组（182名）和测试组（78名）。使用最小绝对收缩选择算法（LASSO）从训练组中选出了9个预测特征。在通过相关性诊断方法评估多重共线性后，构建了8个机器学习模型。模型性能通过接收者操作特征曲线下面积（AUC）、校准曲线和决策曲线进行评估。Shapley加性解释（SHAP）方法被用来解释模型预测结果。逻辑回归模型的测试AUC为0.865（95%置信区间：0.777–0.954），敏感性为0.795，特异性为0.846，准确率为0.821，F1值为0.816。然而，模型的校准截距和斜率仍偏离理想值。与基于空腹血浆葡萄糖（FPG）的模型相比，多指标模型在鉴别能力上略有提升，但增量价值有限。SHAP分析显示，FPG对模型预测的贡献最大。这些研究结果表明，该模型可能是一种简单且易于解释的早期GDM风险分层方法，但需要在具有代表性的产科人群中进行外部验证和重新校准。