《Journal of Diabetes Research》：Exploration of Early Biomarkers for Gestational Diabetes Mellitus in Pregnant Women Living Without Obesity
编辑推荐：
背景：妊娠期糖尿病（GDM）的早期预测可促进及时干预，但仍具挑战性，尤其在通过标准筛查方法常被忽视的非肥胖孕妇中。此项探索性分析识别出早孕期生物标志物，这些标志物显示出与GDM的关联，比既定诊断时间窗提前8–12周。方法：研究人员在天津市中心妇产科医院开展了一
背景：妊娠期糖尿病（GDM）的早期预测可促进及时干预，但仍具挑战性，尤其在通过标准筛查方法常被忽视的非肥胖孕妇中。此项探索性分析识别出早孕期生物标志物，这些标志物显示出与GDM的关联，比既定诊断时间窗提前8–12周。方法：研究人员在天津市中心妇产科医院开展了一项回顾性巢式病例对照研究。在应用预设的纳入和排除标准并剔除血样缺失的病例后，最终分析共纳入136名孕妇，包括56名GDM患者和80名非GDM对照。这些数据被用于开发多种机器学习模型，包括随机森林、逻辑回归、支持向量机（SVM）、极端梯度提升（XGBoost）和K最近邻（KNN）。这些模型的性能通过独立验证集中的受试者工作特征曲线下面积（AUC）、敏感性、特异性、阳性预测值和阴性预测值进行评估。结果：随机森林分类器在验证集中达到最佳性能，AUC为0.992，表明其具有优异的敏感性和特异性。该模型整合了六个可测量的变量：年龄、体重指数（BMI）以及四种参与妊娠期免疫调节的细胞因子（白细胞介素（IL）-1β、IL-10、IL-17A和IL-4）。结论：在妊娠早期，即使在非肥胖孕妇中，也能以高准确性预测GDM。本研究突出了将免疫生物标志物与临床特征及机器学习相结合用于主动风险分层的重要性。尽管结果令人鼓舞，但这些发现仍需在更大规模、多族裔队列中进行验证以确保其普适性。
**论文解读：基于免疫生物标志物与机器学习的非肥胖孕妇妊娠期糖尿病早期预测模型**
**研究背景与问题**
妊娠期糖尿病（Gestational Diabetes Mellitus, GDM）是妊娠期最常见的并发症，全球患病率约14.0%，在中国北方城市可达21%。GDM不仅增加孕妇发生子痫前期、剖宫产、引产及胎膜早破等并发症的风险，且远期易发展为2型糖尿病和心血管疾病；其子代则面临早产、巨大儿、新生儿呼吸窘迫综合征及低血糖等风险，并可能在后天出现糖耐量异常和肥胖。目前，多数国家（包括中国）采用国际糖尿病与妊娠研究组（IADPSG）标准，于孕24–28周进行75克口服葡萄糖耐量试验（OGTT）以诊断GDM。然而，新近证据表明，在孕20周前启动干预可降低新生儿不良结局（如早产、死产、呼吸窘迫）的复合发生率。遗憾的是，临床实践中尚无可靠的早期诊断方法。现有指南推荐在孕早期或产前检查初期对高危人群进行筛查，但主要针对排除已存在的糖尿病，而非早期预测GDM。因此，基于GDM发病机制的早期风险预测模型有望实现及时识别与干预，从而改善妊娠结局。
GDM的发病机制复杂，涉及脂肪组织功能障碍、胎盘激素/蛋白、慢性炎症及遗传因素等。虽然GDM常与超重和肥胖相关，但正常体重及低体重孕妇同样患病，尤其在低收入国家，提示存在更关键但尚未被发现的机制。值得注意的是，免疫因素如白细胞介素（IL）-6、肿瘤坏死因子-α（TNF-α）及调节性T细胞（Treg）等正日益受到关注，并被证实参与脂肪组织及胎盘功能障碍，在维持葡萄糖稳态中发挥作用。此外，与T细胞功能相关的IL-10、IL-17、干扰素-γ（IFN-γ）及IL-4可能作为GDM的潜在预测生物标志物。这些研究强调了炎症在GDM发病机制中的重要性。
鉴于上述因素在GDM发病中扮演角色或在孕早期即出现异常水平，理论上它们适合作为GDM的潜在预测生物标志物。然而，现有模型大多聚焦于高危人群，常将肥胖作为主要风险因素，而忽视非肥胖孕妇。本研究旨在分析非肥胖孕妇孕16周前的多种生物标志物及临床数据，开发并比较多种机器学习模型用于GDM筛查，以促进早期识别与预防性干预，并凸显免疫标志物在提高该被忽视群体预测准确性方面的价值。该论文发表在《Journal of Diabetes Research》。
**主要关键技术方法**
本研究为回顾性巢式病例对照研究，样本来源于天津市中心妇产科医院（TJCHGO）。初始筛选了2023年1月至12月期间1639名有出院诊断及相应血样的孕妇，经排除标准（多胎妊娠、慢性高血压、子痫前期、甲状腺功能亢进等代谢或免疫系统功能障碍相关疾病；孕>16周采血；肥胖者）后，最终纳入136名孕妇（56名GDM，80名对照）。研究人员采用酶联免疫吸附试验（ELISA）测定孕16周前血浆中16种候选生物标志物（包括脂肪因子、胎盘相关激素/蛋白、炎症细胞因子）。利用最小绝对收缩和选择算子（LASSO）逻辑回归进行特征选择，并在训练集（70%）中筛选出六个变量。基于这些特征，构建了五种监督式机器学习模型：随机森林（RF）、逻辑回归、支持向量机（SVM）、极端梯度提升（XGBoost）和K最近邻（KNN）。模型性能在独立验证集（30%）中通过受试者工作特征曲线下面积（AUC）、敏感性、特异性、阳性预测值（PPV）和阴性预测值（NPV）进行评估。
**研究结果**
**3.1 人群人口学与临床特征**
通过比较GDM组与对照组的人口学和临床数据，研究人员发现：GDM组孕妇年龄（33.17±4.41岁 vs. 30.11±4.60岁，p<0.001）、体重（60.49±7.57 kg vs. 57.49±6.07 kg，p=0.012）及BMI（22.82±2.70 kg/m2 vs. 21.37±2.14 kg/m2，p<0.001）均显著高于对照组；分娩孕周（38.3±2.55周 vs. 39.3±0.96周，p=0.002）显著低于对照组；OGTT空腹、1小时及2小时血糖值均显著高于对照组（p<0.001）。在16种测量的生物标志物中，有6种在两组间差异显著（p<0.05），包括IL-1β、IL-10、IL-17、IFN-γ、IL-4及胎盘生长因子（PlGF）；而其余10种蛋白（如TNF-α、IL-6、脂肪酸结合蛋白4（FABP4）、高分子量脂联素（HMWA）、胰岛素样生长因子（IGF）、胰岛素样生长因子结合蛋白2（IGFBP2）、瘦素（Lep）、性激素结合球蛋白（SHBG）、睾酮（HT））无显著差异。
**3.2 特征选择与五种预测模型的构建**
通过LASSO回归结合10折交叉验证，研究人员从ELISA结果及临床信息（年龄、BMI、孕周）中筛选出六个因子用于模型构建：年龄、BMI、IL-1β、IL-10、IL-17和IL-4。这些因子在两组间均存在显著差异（p<0.05）。相关性分析显示，在对照组中，BMI与年龄呈中等相关（r=0.40）；IL-1β与IL-17（r=0.38）、IL-1β与IL-4（r=0.41）、IL-10与IL-4（r=0.46）间亦存在中等相关性。在GDM组中，IL-1β与IL-10（r=0.40）及IL-17（r=0.43）呈中等相关。基于这六个特征，研究人员评估了五种机器学习模型在独立验证集中的性能。随机森林（RF）模型表现最佳，AUC为0.992（95% CI: 0.975–1.000），敏感性为1.000（95% CI: 0.858–1.000），特异性为0.875（95% CI: 0.617–0.984），PPV为0.923（95% CI: 0.749–0.991），NPV为1.000（95% CI: 0.768–1.000）。其次为XGBoost（AUC=0.977）、KNN（AUC=0.941）、SVM（AUC=0.919）和逻辑回归（AUC=0.865）。除KNN外，所有模型均达到完美敏感性（1.00）。RF模型的特异性最高。在RF模型中，特征重要性排序（按基尼指数平均下降）为：IL-17、IL-10、IL-4、IL-1β、BMI、年龄。
**讨论与结论**
讨论部分指出，GDM是妊娠期最常见并发症，近期专家呼吁转向早期诊断与治疗。现有早期预测模型多依赖血糖、胰岛素及临床信息，但性能有限。本研究中，代谢相关生物标志物（如FABP4、HMWA、IGF、IGFBP2、Lep）在非肥胖孕妇中未显示出显著差异，这与既往研究不同，可能是因为这些标志物主要与脂肪组织功能障碍相关，而肥胖个体中更常见。胎盘来源因子中，仅PlGF在两组间差异显著，而HT和SHBG无差异，可能与排除肥胖及高龄孕妇有关。免疫/炎症方面，本研究发现在GDM组中IL-1β、IL-10、IL-17、IFN-γ、IL-4显著升高，而TNF-α和IL-6无差异，提示两组间的关键区别不在于急性炎症幅度，而在于适应性免疫应答的极化与调节平衡，尤其是Th1/Th2/Th17/Treg轴。机器学习模型中，RF因能捕捉特征间的非线性交互作用而表现最优。本研究的高预测精度为非肥胖孕妇（既往研究中被忽视的群体）的主动干预、生活方式调整及个体化产前护理提供了机会。
**结论**（翻译自论文结论部分）：
总之，这项探索性研究表明，将孕16周前收集的母体临床特征与选定的炎症生物标志物相结合，可能有助于早期识别GDM风险女性。尽管机器学习模型在本非肥胖队列中表现出令人鼓舞的性能，但由于样本量较小及潜在的选择偏倚，应谨慎解读这些发现。需要更大规模、前瞻性、多中心研究来验证这些初步结果，并确定其在更广泛临床环境中的适用性。
