基于机器学习的非洲经产妇既往妊娠丢失相关因素回顾性分析

《Frontiers in Global Women's Health》：Factors associated with prior pregnancy loss among multigravid women: a retrospective machine learning analysis from an African population cohort

　　

背景：妊娠丢失仍然是产科护理中的重大挑战，传统的风险评估方法（如临床病史和放射学检查）在预测结局方面往往缺乏精确性。本研究应用机器学习（Machine Learning, ML）构建稳健模型，以识别与妊娠丢失相关的因素，旨在为未来在非洲人群中开展进一步研究和验证提供候选预测因子。方法：研究使用了来自一项正在进行的队列研究“未来非洲土著人群子痫前期后母体心血管健康”的基线社会人口学、临床和实验室变量。2019年至2021年间，共纳入1,017名在乌干达坎帕拉穆拉戈国家转诊医院就诊的孕妇。然而，结局问题未对首次妊娠女性进行询问，因此将建模人群限制为经产妇（n = 655）。研究人员采用R和Python中的高级机器学习工具处理去标识化数据，包括严格的数据清洗、特征选择以及缺失值处理。使用交叉验证技术和训练-测试集划分方法对几种机器学习分类器进行训练和评估，并采用马修斯相关系数（Matthews Correlation Coefficient, MCC）、精确率、召回率和F1分数评估性能。结果：随机森林（Random Forest）实现了最高的判别能力（MCC 0.36，95% CI 0.25–0.47；ROC-AUC 0.74，95% CI 0.63–0.83），紧随其后的是CatBoost（MCC 0.35，95% CI 0.18–0.46；ROC-AUC 0.71，95% CI 0.61–0.77）；两种集成模型的置信区间有较大重叠。两者均优于逻辑回归（MCC 0.22，95% CI 0.08–0.35）。在两种基于树的模型以及SHAP和置换重要性两种方法中，超过七个月的妊娠次数、母亲年龄和母亲教育程度位列相关性最强的因素。亚组分析显示，在可靠的年龄、教育程度和母亲部落亚组中，判别能力大体一致。结论：在该乌干达队列的经产妇中，少数社会人口学和产科病史因素与既往妊娠丢失的记录在统计学上相关。由于结局反映的是生殖史而非观察到的妊娠结果，这些发现应被视为未来前瞻性、外部验证的风险预测研究的基础性假设生成工作，而非用于识别有未来流产风险女性的临床工具。

论文解读：基于机器学习的非洲经产妇既往妊娠丢失相关因素回顾性分析

一、研究背景与问题

在撒哈拉以南非洲地区，母婴健康始终是重大的公共卫生挑战，流产及其相关的不良妊娠结局负担尤为突出。据世界卫生组织定义，流产是指胎儿在可存活年龄之前发生的自然丧失。在乌干达，约三分之一的女性一生中至少经历一次流产或死产，年龄和未参加产前保健是显著预测因素。流产不仅带来情感困扰，还与产后死亡风险增加相关。尽管改善产前保健可及性、推广母婴健康教育、整合高危妊娠常规筛查等措施已在实施，但传统预测流产的方法主要依赖临床症状和母体病史，准确度有限。因此，需要创新方法以加强对高风险女性的预测和早期识别。机器学习技术通过分析大型数据集、识别各种风险因素间的细微模式和交互作用，为上述问题提供了有前景的解决方案。

二、研究目的与意义

本研究旨在利用机器学习方法，基于常规收集的产前保健数据，识别与乌干达经产妇既往妊娠丢失相关的社会人口学、临床及妊娠相关因素，并构建探索性预测模型，以区分有无妊娠丢失史的女性。研究结果预期为未来妊娠丢失潜在重要预测因子的前瞻性评估提供假设基础，并为针对性母婴健康干预提供信息。该研究是首批利用非洲土著人群数据开发预测妊娠丢失相关因素机器学习模型的研究之一，具有填补区域证据空白的意义。

三、关键技术方法概述

研究利用一项名为“未来非洲土著人群子痫前期后母体心血管健康”的队列研究基线数据，该数据来源于2019至2021年乌干达坎帕拉穆拉戈国家转诊医院的1,017名孕妇，去标识化后经数据准备纳入655名经产妇。数据处理使用R 4.3.1和RStudio，通过tidyverse和DataExplorer包进行去重、变量筛选、类别合并及缺失值处理。缺失数据采用链式方程多重插补法（MICE）处理。建模比较了随机森林、CatBoost和逻辑回归三种分类器。采用重复分层5折交叉验证（5次重复，共25轮训练-测试）作为主要验证方法，并辅助以50次重采样的自举内部验证。模型性能通过马修斯相关系数（MCC）、ROC-AUC、精确率、召回率、校准曲线、混淆矩阵和决策曲线分析评估。变量重要性采用SHAP值和置换重要性两种互补方法评估。亚组分析按年龄、教育程度和部落地区进行，并设定了可靠性阈值（较小结局组≥20人）。

四、研究结果

在最终纳入的655名经产妇中，223名（34.0%）有记录的妊娠丢失史（流产、人工流产或异位妊娠），432名（66.0%）无此病史。

**模型比较**：随机森林取得了最高的判别能力（MCC 0.36，95% CI 0.25–0.47；ROC-AUC 0.74，95% CI 0.63–0.83），CatBoost紧随其后（MCC 0.35，95% CI 0.18–0.46；ROC-AUC 0.71，95% CI 0.61–0.77），两者置信区间重叠较大，表明性能无统计学显著差异。两种集成模型均优于逻辑回归基线（MCC 0.22，95% CI 0.08–0.35；ROC-AUC 0.65，95% CI 0.57–0.74）。

**ROC和精确率-召回率曲线**：随机森林的ROC曲线平均AUC为0.74，说明随机选择的有妊娠丢失史女性被排在无此病史女性之上的概率约为74%；精确率-召回率AUC为0.68，远高于该事件率下机会水平的0.34。CatBoost曲线形态与随机森林接近（ROC-AUC 0.71，PR-AUC 0.66），逻辑回归基线较低（ROC-AUC 0.65，PR-AUC 0.53）。

**校准**：随机森林和CatBoost在大部分预测风险范围（约0.25至0.6）内略高估风险；例如预测风险接近0.6的女性，实际观察事件率约为0.43。在最高风险范围（约0.85）的小群体中，观察事件率接近0.98。

**混淆矩阵**：在默认0.5决策阈值下，随机森林正确分类361名无妊娠丢失史女性，错误标记71名；正确识别112名有妊娠丢失史女性，漏掉111名，对应精确率0.61、召回率0.50。CatBoost模式相似，逻辑回归则更多假阳性和更少假阴性，召回率较高（0.59）而精确率较低（0.46）。

**决策曲线分析**：在阈值约0.3以上，随机森林和CatBoost均持续提供小幅度正净收益，而“治疗所有人”策略变为净有害；此结果被谨慎地视为潜在净收益的初步观察，而非临床部署证据。

**预测因子重要性**：在两种基于树的模型和两种重要性方法中，No_preg（超过七个月的妊娠次数）始终排名第一，其次为年龄和教育程度。SHAP分析显示较高No_preg值将预测推向更高风险。置换重要性验证了该排序：随机森林中No_preg导致交叉验证性能最大下降（0.173），其次是年龄（0.091）和教育（0.061）；CatBoost中No_preg（0.225）、年龄（0.108）和宗教从属（0.053）领先。

**示例性组合剖面**：研究人员从模型整体SHAP和置换重要性模式中合成了两个组合剖面，并非真实个体记录。剖面A（低预测关联）：二十多岁中期、高等教育程度、一至两次超过七个月的既往妊娠、无糖尿病或高血压家族史。剖面B（高预测关联）：三十多岁或以上、三次及以上超过七个月的既往妊娠、仅小学教育、有糖尿病或高血压家族史。这些组合仅说明主要相关因素的方向，不能用于个体诊断。

**亚组表现**：按母亲年龄分组，五个年龄带中有四个（20–24、25–29、30–34、35+）达到可靠性阈值，ROC-AUC范围0.56（35岁以上）至0.75（25–29岁）；20岁以下因样本量小（n=17）报告为不可靠。按教育程度分组，六个类别中有四个达到阈值，ROC-AUC范围0.61至0.79。按部落地区分组，五个地区中有三个（东部、中部、西部）达到阈值，ROC-AUC范围0.65至0.79；北部和“其他”地区未达到阈值。总体而言，亚组间判别能力大体一致。

五、讨论与结论

讨论部分指出，随机森林和CatBoost的判别能力相当且适中，均优于逻辑回归基线，这与集成树方法在控制验证偏倚后提供真实但增量优势的证据一致。研究识别的主要相关因素——妊娠次数、母亲年龄、教育水平和糖尿病家族史——与既往母婴健康文献一致，并在撒哈拉以南非洲人口与健康调查、卢旺达队列及北美孕前队列中均有类似发现。然而，对部落和宗教从属等变量应谨慎解释，它们可能是社会经济地位、地理和医疗可及性的非因果代理，而非直接的生物学或遗传风险因素。这些发现与现有机器学习预测流产的研究相比性能较低，原因可能在于本研究人群更广泛、风险因素和结局更多样化。研究同时强调未来工作应纳入伴侣年龄，区分流产、人工流产和异位妊娠等不同结局，并考虑生化或生物物理标志物及更细化的病因学分类。

研究结论可翻译为：在这项对655名非洲土著人群经产妇的回顾性分析中，若干社会人口学和产科病史因素（超过七个月的妊娠次数、母亲年龄和母亲教育程度）与有记录的妊娠丢失史统计学相关，并且这种关联在两种集成机器学习模型、两种独立验证方法和两种预测因子重要性方法中结果基本一致。由于结局反映的是生殖史而非直接观察到妊娠结果，这些发现应被视为假设生成性证据：它们识别了候选因素和一套评估框架，可为未来前瞻性、外部验证的流产风险研究设计提供信息，而非构成可用于识别有未来妊娠丢失风险女性的现成工具。