使用母性风险因素预测自闭症谱系障碍:一个多中心机器学习研究

科学领域:

• 神经发育障碍 神经发育障碍
• 环境健康 环境健康
• 计算生物学 计算生物学

背景情况:

• 自闭症谱系障碍 (ASD) 具有复杂的病因,受母亲环境因素的影响.
• 之前的研究已经限制了所考虑的孕产妇风险因素和多中心研究的范围.
• 机器学习提供了一种有前途的方法,用于整合各种母亲因素来预测ASD.

研究的目的:

• 开发和评估机器学习模型,以基于孕前,产前和产后时期的母亲因素来预测ASD风险.
• 确定导致ASD发展的关键孕产妇风险因素.
• 评估用于识别高风险人群的预测模型的临床适用性.

主要方法:

• 开发了5个预测模型,使用来自多中心队列的57个母亲风险因素 (1232个ASD,1090个典型发展).
• 利用极端梯度增强,在外部验证队列上达到66.2%的准确性 (266个ASD,353个典型发展).
• 采用沙普利值来确定母亲风险因素的重要性,计算ASD风险得分和风险组.

主要成果:

• 极端梯度增强模型在预测ASD方面表现最好.
• 不稳定的母亲情绪和缺乏多维生素补充剂被确定为最重要的危险因素.
• 通过模型识别的高风险组显示,与低风险组相比,ASD风险显著增加.

结论:

• 机器学习模型有效地利用母亲因素预测ASD风险,提供对情绪和营养影响的见解.
• 开发的模型具有临床应用的潜力,用于早期识别患ASD高风险个体.
• 这项研究强调了在评估自闭症风险时,在整个怀孕期间考虑一系列综合性母亲因素的重要性.