發(fā)布時間： 2025-03-06 10:58:04
2022年9月9日，在《BMC pregnancy and childbirth》上發(fā)表了一篇名為“Construction of machine learning tools to predict threatened miscarriage in the first trimester based on AEA, progesterone andβ-hCG in China: a multicentre, observational, case-control study”的研究論文，該研究旨在利用內(nèi)源性大麻素安非他命（AEA）、孕激素（P4）和β人絨毛膜促性腺激素（β-hCG）這三種激素建立機器學習模型來預測先兆流產(chǎn)風險。
一、研究背景
AEA、P4和β-hCG與早期先兆流產(chǎn)有關(guān)。然而，還沒有研究調(diào)查梳理這三種激素是否可以預測先兆流產(chǎn)。因此，我們的目標是利用這三種激素建立機器學習模型來預測先兆流產(chǎn)風險。
二、數(shù)據(jù)來源
從2017年8月至2019年5月，泉州市第一醫(yī)院、滕州市中心人民醫(yī)院和金城市人民醫(yī)院共連續(xù)納入96例先兆流產(chǎn)孕婦。同時，隨機選取119例正常孕婦，根據(jù)年齡和胎齡與先兆流產(chǎn)患者進行匹配，病例對照比約為1：1-1.5。
三、研究思路
本文建立了6種機器學習工具來預測先兆流產(chǎn)，包括logistic回歸（LR）模型、隨機森林（RF）模型、極端梯度提升（XGboost）模型、k最近鄰分類器（KNN）模型、多層感知器（MLP）神經(jīng)網(wǎng)絡(luò)模型和支持向量機（SVM）模型。通過ROC分析評估6種模型的診斷價值。通過Pearson相關(guān)性分析先兆流產(chǎn)、難免流產(chǎn)、AEA、P4和β-hCG之間的相關(guān)性。
四、主要結(jié)果
1、健康妊娠和先兆流產(chǎn)女性的AEA、P4、β-hCG和臨床數(shù)據(jù)比較
共招募215例孕婦，包括119例健康孕婦（正常妊娠組）和96例先兆流產(chǎn)孕婦（先兆流產(chǎn)組）。正常妊娠組AEA的IQR（上下四分位數(shù)）中位濃度顯著低于先兆流產(chǎn)組，分別為0.62（0.30-1.21）nM和1.21（0.72-1.83）nM。同時，正常妊娠組P4的中位濃度顯著高于先兆流產(chǎn)組，分別為21.92（17.48-27.83）ng/mLvs.19.53（13.28-24.21）ng/mL。然而，兩組之間的年齡、體重指數(shù)（BMI）、胎齡和β-hCG沒有明顯差異（表1）。
2、AEA、P4、β-hCG與持續(xù)妊娠和難免流產(chǎn)女性臨床數(shù)據(jù)的比較
在96例先兆流產(chǎn)中，58例為持續(xù)妊娠，38例為難免流產(chǎn)。兩組之間的年齡、BMI、AEA和β-hCG無顯著差異（表2）。只有P4的IQR中位濃度在兩組間存在顯著差異，分別為15.91（10.27-21.01）ng/mLvs.20.59（15.21-24.58）ng/mL。
3、AEA、P4、β-hCG與先兆流產(chǎn)的相關(guān)性分析
進行Pearson相關(guān)性分析以評估AEA、P4、β-hCG與先兆流產(chǎn)之間的相關(guān)性。AEA與先兆流產(chǎn)呈強正相關(guān)（r=0.38，p<0.0001），而P4與先兆流產(chǎn)呈負相關(guān)（r=?0.23，p<0.001）。有趣的是，AEA和P4彼此呈負相關(guān)（r=?0.18，p<0.01）。然而，β-hCG與其他因素沒有顯著相關(guān)性（圖1）。它表明AEA和P4與先兆流產(chǎn)有關(guān)。
4、AEA、P4、β-hCG與難免流產(chǎn)之間的相關(guān)性分析
在96例先兆流產(chǎn)中，58例為持續(xù)妊娠，38例為難免流產(chǎn)。因此，我們分析了在這些患者中測試的AEA、P4、β-hCG之間的相關(guān)性。然而，只有P4與難免流產(chǎn)顯著負相關(guān)（r=?0.29，p<0.01）（圖2）。它表明P4也與難免流產(chǎn)有關(guān)。
5、比較6個預測模型
此外，我們構(gòu)建了6個結(jié)合AEA、P4和β-hCG的機器學習模型來預測先兆流產(chǎn)風險。在6個模型中，LR模型獲得了最高的AUC值0.75（圖3），并顯示出最高的準確度（0.65）和精密度（0.70）（表3）。此外，SVM和MLP模型的AUC值相同，均為0.70，準確度和精密度分別高于0.61和0.60。然而，KNN的AUC（0.61）、準確度（0.60）和精密度（0.57）最低。結(jié)果表明，AEA、P4和β-hCG可以使用機器學習工具預測先兆流產(chǎn)。
五、文章小結(jié)
在本研究中，AEA與先兆流產(chǎn)呈正相關(guān)，而P4與先兆流產(chǎn)和難免流產(chǎn)呈負相關(guān)。此外，結(jié)合AEA、P4和β-hCG的LR模型在預測先兆流產(chǎn)風險方面表現(xiàn)出最佳性能。盡管許多研究正在調(diào)查具有新型生物標志物的機器學習工具，但在某些情況下，缺乏可靠的參考標準可能會限制這些模型的可靠性。此外，為數(shù)據(jù)建立準確可靠的標簽可能需要更廣泛的隨訪。因此，我們需要在來自多個中心的較大樣本中驗證我們的結(jié)果，然后才能將模型應(yīng)用于臨床預測先兆流產(chǎn)。
下一篇：人工智能預測冠狀動脈搭橋術(shù)后新發(fā)房顫的性能
