构建基于机器学习的孕中期流产风险预测模型

2025年4月26日，Sangsang Qi等人在《BMC Pregnancy and Childbirth》杂志上发表了一篇题为《Building a machine learning-based risk prediction model for second-trimester miscarriage》的文章。本研究旨在构建一种基于机器学习的风险预测模型，用于准确预测孕妇在妊娠中期（14+0至27+6周）发生流产的风险。

妊娠中期流产（STM）是常见的不良妊娠结局，占所有流产的2%-3%，但其对患者身心健康的长期影响常被低估。现有研究多聚焦于妊娠早期流产或早产，而妊娠中期流产的预测模型研究较少。传统统计方法在复杂因素分析中存在局限性，机器学习（ML）因其处理非线性关系和特征交互的优势，成为构建预测模型的有力工具。本研究基于临床实际需求，结合炎症标志物、宫颈长度等潜在风险因素，探索建立高精度、可解释的妊娠中期流产预测模型。

研究回顾性收集了2020年1月至2023年10月期间在宁波大学妇女儿童医院住院、诊断为“先兆流产且孕周为14+0至27+6周的2006例患者数据。排除标准包括入院时已确诊“难免流产”、严重系统性疾病、胚胎染色体异常及失访病例。数据涵盖30项临床特征，包括年龄、孕周、阴道出血、宫颈长度、白细胞计数（WBC）、C反应蛋白（CRP）等。

研究采用分层随机抽样将数据分为训练集（70%）和验证集（30%）。通过Boruta算法筛选关键特征，结合多元逻辑回归进一步确定最终10个预测变量（如宫颈长度、阴道出血、CRP等）。针对数据不平衡问题，使用SMOTE过采样技术平衡正负样本。构建了包括逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）、XGBoost等7种机器学习模型，并基于准确率、召回率、ROC-AUC、PR-AP等指标评估性能。通过SHAP方法解释模型预测逻辑，并开发了在线可视化工具。

2020年1月至2023年10月，宁波大学附属妇幼医院共收治了2172例妊娠 14+0周至 27+6周被诊断为“先兆流产”的患者。根据排除标准，我们排除了166例患者：其中2例患有精神障碍，153例反复住院，11例因特殊原因自动出院。最终，我们的研究共纳入2006例患者；其中395例（19.69%）患者发生自然流产。作者考虑了30个潜在预测变量进行分析，并统计分析了所有纳入病例中每个因素的缺失值。宫颈长度（4.99%）、CRP（3.54%）、异常羊水量（1.94%）、孕前BMI（0.25%）、白细胞计数（0.15%）、中性粒细胞百分比（0.15%）的缺失数据占个人数据的5%以下，如图2所示。我们使用数值变量的平均值和分类变量的众数来填充缺失值。

本研究考察了30个可能导致STM的风险变量。为了避免众多特征之间的共线性，创建了相关性热力图来预测STM的风险特征。相关性热力图是一种可视化工具，它以热图的形式显示特征之间的相关系数，并用颜色阴影表示特征之间的相关程度。图3展示了纳入研究中风险特征的相关性分析，Spearman相关系数小于0.6，表明纳入特征之间的相关性较低。

Boruta是一种基于随机森林分类器的特征选择算法。在我们的研究中，Boruta进行了500次迭代，选择结果总结在图4中。以下特征与STM风险相关：孕妇年龄、腹痛、阴道出血、阴道分泌物、宫颈长度、宫内手术次数、绒毛膜下血肿、子宫肌瘤、白细胞、中性粒细胞百分比、CRP、贫血和胎盘异常。

图5显示了13个特征的多变量分析。选择具有统计学显着差异（P <0.05）的特征作为最终特征。最终理想的10个特征为：腹痛、阴道出血、阴道分泌物、宫颈长度、绒毛膜下血肿、子宫肌瘤、白细胞、中性粒细胞比例、C反应蛋白、胎盘异常。统计结果显示，发生STM的风险为19.69%，明显低于无流产的概率，说明数据样本不平衡。本研究利用SMOTE过采样技术生成少数样本，确保孕中期阳性样本与阴性样本比例为1:1，且数据结构平衡 ，生成SMOTE后数据集。

本研究采用了七种不同的机器学习技术建立模型：LR、KNN、SVM、DT、RF、XGBoost和ANN。图6展示了这七种模型在训练队列和验证队列中的ROC-AUC和PR-AP性能。表1比较了准确率、精确率、召回率和F1分数，并使用图7中描绘的雷达图从多个维度比较了每个模型的性能数据，以增强结果的清晰度和视觉吸引力。在七种模型中，有三个模型都表现出较高的预测性能：LR模型（AUC = 0.843）、SVM（AUC = 0.835）和 XGBoost（AUC = 0.833）AUC大于0.8表示预测性能良好。KNN（AUC = 0.751）、DT（AUC = 0.721）、RF（AUC = 0.796）和ANN（AUC = 0.771）模型的预测能力中等。RF模型的精确度最高，为0.653，其次是XGBoost（精确度为 0.529）。但XGBoost的PR和准确度最高，分别为0.650和0.817。

当使用临床决策曲线分析（DCA）评估预测模型的临床有效性时，XGBoost模型在特定范围内获得的净收益大于其他模型（图8），表明XGBoost模型具有良好的临床实用性。校准曲线分析显示，XGBoost模型的表现优于其他模型，其Brier Score最低（验证组中为0.132）。

对预测模型进行临床评估，前瞻性收集了2024年1月至3月宁波大学附属妇幼保健院符合纳入和排除标准的120例患者资料，其中18例（15.0%）患有 STM。模型准确率为0.858，精确率为0.519，召回率为0.778，F1得分为0.622，ROC-AUC为0.883，PR-AP为0.702，结果如表2所示。

SHAP分析显示，宫颈长度是预测中期流产的最关键因素，其缩短显著增加风险（如长度＜20mm时风险升高14.5倍）。其他重要特征依次为C反应蛋白（CRP）、中性粒细胞百分比、阴道出血及阴道分泌物。模型解释表明：宫颈缩短、炎症标志物升高（如CRP＞2.27mg/L）、阴道出血等正向驱动流产预测；而宫颈长度正常（如≥30mm）、无出血等特征则降低风险。通过可视化案例，SHAP直观展示了各特征对个体预测结果的贡献方向与强度，为临床决策提供可解释依据。

此外，还为临床医生构建了一个基于网络的工具来使用所提出的模型（网址为 https://qisangsang.shinyapps.io/STMRISK/）（图10）。

研本研究成功构建了基于XGBoost算法的中期流产风险预测模型，其性能优于传统统计方法，并通过SHAP实现可视化解释。模型整合了易获取的临床指标，为早期识别高危孕妇提供了实用工具。