评估传统药物流行病学模型与机器学习模型预测重大先天性畸形风险妊娠的性能

《Birth Defects Research》：Evaluating the Performance of Traditional Pharmacoepidemiologic and Machine Learning Models to Predict Pregnancies at Risk of Major Congenital Malformations

　　

背景：由于约50%的妊娠为意外妊娠，存在意外暴露于可能导致重大先天性畸形（MCM）的潜在胎儿毒性药物的情况。本研究旨在比较传统药物流行病学（PE）模型与机器学习（ML）模型的预测性能。

方法：研究人员在魁北克妊娠队列（Quebec Pregnancy Cohort, QPC）中开展了一项队列研究，纳入所有由魁北克处方药保险计划覆盖的妊娠及其儿童，时间从1998年1月至2015年12月。考虑了妊娠前12个月及妊娠早期的药物暴露、合并症和女性特征。采用稳健泊松（Robust Poisson）模型获取预测因子的调整风险比（adjusted risk ratio, aRR）及95%置信区间（confidence interval, CI）。开发了逻辑回归、稳健泊松、K近邻（K-Nearest Neighbors）、随机森林（Random Forest）、XGBoost、朴素贝叶斯（Na?ve Bayes）、多层感知器（Multilayer Perceptron）和支持向量机（Support Vector Machine）模型来预测有MCM风险的妊娠。采用敏感性（Sensitivity）、特异性（Specificity）、阳性预测值（PPV）、阴性预测值（NPV）、准确率（Accuracy）、受试者工作特征曲线下面积（ROC-AUC）、精确率-召回率曲线下面积（PR-AUC）和F1分数对预测模型的性能进行评估。

结果：研究人员分析了213,744例妊娠，发现MCM的患病率为9.7%。在预测MCM的模型中，逻辑回归具有最高的判别能力，其ROC-AUC为53.3%，敏感性最高（41.5%），F1分数最高（46.6%）。KNN的特异性最高（97.9%），但敏感性最低（2.3%）。稳健泊松的表现与逻辑回归相似，准确率最高（52.3%）。稳健泊松在分类器官特异性畸形方面略优于逻辑回归。所有模型的总体预测性能均较差。各敏感性分析的结果稳健。

结论：目前尚无充分证据表明机器学习在预测MCM方面优于传统药物流行病学建模。

本论文发表于《Birth Defects Research》，题为“评估传统药物流行病学模型与机器学习模型预测重大先天性畸形风险妊娠的性能”。研究旨在比较传统药物流行病学（pharmacoepidemiologic, PE）模型与机器学习（machine learning, ML）模型在预测重大先天性畸形（major congenital malformations, MCM）风险妊娠方面的表现。

**研究背景**：约50%的妊娠为意外妊娠，导致孕早期无意暴露于潜在胎儿毒性药物，而孕早期是器官形成的关键时期，胚胎易发生MCM。由于伦理原因，孕妇通常被排除在临床试验之外，药物在妊娠期的安全性信息主要来自动物模型。文献已确认多种MCM危险因素，如孕前糖尿病、慢性高血压、饮酒、吸烟和肥胖等；然而，其他慢性病（如抑郁、甲状腺功能异常、癫痫、哮喘、泌尿道感染、自身免疫病、贫血和HIV）对MCM的影响仍不清楚或存在争议，而这些疾病通常需要药物控制。近年来数据量大幅增长，ML和深度学习方法在利用行政或医院数据库预测不良出生结局方面显示出潜力，但尚无研究比较传统PE建模与新型ML建模在妊娠相关研究中的预测性能。因此，研究人员基于魁北克妊娠队列（Quebec Pregnancy Cohort, QPC）开展研究，以填补这一空白。

**研究内容**：研究人员利用QPC进行了一项队列研究，纳入1998年1月至2015年12月由魁北克处方药保险计划覆盖的单胎妊娠及其儿童，共213,744例妊娠，其中20,662例（9