发布时间： 2025-03-06 10:58:04
2022年9月9日，在《BMC pregnancy and childbirth》上发表了一篇名为“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”的研究论文，该研究旨在利用内源性大麻素安非他命（AEA）、孕激素（P4）和β人绒毛膜促性腺激素（β-hCG）这三种激素建立机器学习模型来预测先兆流产风险。
一、研究背景
AEA、P4和β-hCG与早期先兆流产有关。然而，还没有研究调查梳理这三种激素是否可以预测先兆流产。因此，我们的目标是利用这三种激素建立机器学习模型来预测先兆流产风险。
二、数据来源
从2017年8月至2019年5月，泉州市第一医院、滕州市中心人民医院和金城市人民医院共连续纳入96例先兆流产孕妇。同时，随机选取119例正常孕妇，根据年龄和胎龄与先兆流产患者进行匹配，病例对照比约为1：1-1.5。
三、研究思路
本文建立了6种机器学习工具来预测先兆流产，包括logistic回归（LR）模型、随机森林（RF）模型、极端梯度提升（XGboost）模型、k最近邻分类器（KNN）模型、多层感知器（MLP）神经网络模型和支持向量机（SVM）模型。通过ROC分析评估6种模型的诊断价值。通过Pearson相关性分析先兆流产、难免流产、AEA、P4和β-hCG之间的相关性。
四、主要结果
1、健康妊娠和先兆流产女性的AEA、P4、β-hCG和临床数据比较
共招募215例孕妇，包括119例健康孕妇（正常妊娠组）和96例先兆流产孕妇（先兆流产组）。正常妊娠组AEA的IQR（上下四分位数）中位浓度显著低于先兆流产组，分别为0.62（0.30-1.21）nM和1.21（0.72-1.83）nM。同时，正常妊娠组P4的中位浓度显著高于先兆流产组，分别为21.92（17.48-27.83）ng/mLvs.19.53（13.28-24.21）ng/mL。然而，两组之间的年龄、体重指数（BMI）、胎龄和β-hCG没有明显差异（表1）。
2、AEA、P4、β-hCG与持续妊娠和难免流产女性临床数据的比较
在96例先兆流产中，58例为持续妊娠，38例为难免流产。两组之间的年龄、BMI、AEA和β-hCG无显著差异（表2）。只有P4的IQR中位浓度在两组间存在显著差异，分别为15.91（10.27-21.01）ng/mLvs.20.59（15.21-24.58）ng/mL。
3、AEA、P4、β-hCG与先兆流产的相关性分析
进行Pearson相关性分析以评估AEA、P4、β-hCG与先兆流产之间的相关性。AEA与先兆流产呈强正相关（r=0.38，p<0.0001），而P4与先兆流产呈负相关（r=−0.23，p<0.001）。有趣的是，AEA和P4彼此呈负相关（r=−0.18，p<0.01）。然而，β-hCG与其他因素没有显著相关性（图1）。它表明AEA和P4与先兆流产有关。
4、AEA、P4、β-hCG与难免流产之间的相关性分析
在96例先兆流产中，58例为持续妊娠，38例为难免流产。因此，我们分析了在这些患者中测试的AEA、P4、β-hCG之间的相关性。然而，只有P4与难免流产显著负相关（r=−0.29，p<0.01）（图2）。它表明P4也与难免流产有关。
5、比较6个预测模型
此外，我们构建了6个结合AEA、P4和β-hCG的机器学习模型来预测先兆流产风险。在6个模型中，LR模型获得了最高的AUC值0.75（图3），并显示出最高的准确度（0.65）和精密度（0.70）（表3）。此外，SVM和MLP模型的AUC值相同，均为0.70，准确度和精密度分别高于0.61和0.60。然而，KNN的AUC（0.61）、准确度（0.60）和精密度（0.57）最低。结果表明，AEA、P4和β-hCG可以使用机器学习工具预测先兆流产。
五、文章小结
在本研究中，AEA与先兆流产呈正相关，而P4与先兆流产和难免流产呈负相关。此外，结合AEA、P4和β-hCG的LR模型在预测先兆流产风险方面表现出最佳性能。尽管许多研究正在调查具有新型生物标志物的机器学习工具，但在某些情况下，缺乏可靠的参考标准可能会限制这些模型的可靠性。此外，为数据建立准确可靠的标签可能需要更广泛的随访。因此，我们需要在来自多个中心的较大样本中验证我们的结果，然后才能将模型应用于临床预测先兆流产。
