炎症标记物和多普勒参数在晚期发作的胎儿生长限制中的作用:一种机器学习方法

科学领域:

• 围产科和产科 围产科和产科
• 医疗信息学 医疗信息学
• 生物标志物和诊断方法

背景情况:

• 晚期发作的胎儿生长限制 (FGR) 对怀孕构成重大风险.
• 准确预测FGR对于及时干预和改善结果至关重要.
• 新的炎症标志物和先进的分析方法正在探索,以提高FGR预测.

研究的目的:

• 评估新型炎症标志物 (SII,SIRI,NPAR) 与晚发性FGR中的多普勒参数的相关性.
• 利用机器学习来提高FGR的预测准确性.
• 为了确定可靠的标志物来预测FGR在怀孕期间32和37周的怀孕.

主要方法:

• 一项追溯病例控制研究,涉及240名患者 (晚期发病的FGR和对照组).
• 对新型炎症标志物的分析:全身免疫炎症指数 (SII),全身炎症反应指数 (SIRI) 和中性粒细胞百分比与白蛋白比率 (NPAR).
• 炎症标记与和子宫动脉多普勒参数的相关性,采用机器学习算法用于预测模型开发.

主要成果:

• 随机森林机器学习模型有效地整合了炎症标志物和多普勒参数来预测FGR.
• 中性粒细胞百分比与白蛋白比率 (NPAR) 与FGR显著相关,达到77%的准确性和AUC为0.851.
• 系统性免疫炎症指数 (SII) 和系统性炎症反应指数 (SIRI) 也为预测做出了贡献,但准确性略低 (AUC分别为75%和73%).

结论:

• 将机器学习与传统的诊断方法相结合,可以更好地预测晚发性FGR.
• 新型炎症标志物,特别是NPAR,在改善FGR的诊断准确性方面表现有前途.
• 建议与更大的队列进行进一步的研究,以验证和完善这种预测模型的临床应用.