妊娠中期的机器学习增强生物标志物 唐氏综合征查改善了对怀孕年龄小的婴儿的预测
Bin Zhang1, Xusheng Chen1, Zhaolong Zhan1
1Department of Medical Genetics, Changzhou Maternal and Child Health Care Hospital, Changzhou Medical Center, Nanjing Medical University, Changzhou, China.
Orphanet journal of rare diseases
|October 2, 2025
概括
与其他标志物相比,未结合的醇 (uE3) 对胎儿不良生长结果 (AFGO) 的预测能力优于其他标志物. 机器学习模型,特别是GBM和GLM,显著改善了小到妊娠年龄 (SGA) 预测.
科学领域:
- 产科和妇科 产科和妇科
- 产前诊断 在产前诊断
- 生物标志物研究 生物标志物研究
背景情况:
- 不良的胎儿生长结果 (AFGO),包括小到妊娠年龄 (SGA),大到妊娠年龄 (LGA),低出生体重 (LBW) 和宏观体 (Mac),对早期预测构成重大挑战.
- 目前使用的是产前查的常规生化标志物,但它们对AFGO的预测能力需要提高.
研究的目的:
- 通过使用常规产前生化查标记来确定AFGO的预测概率.
- 评估机器学习 (ML) 模型,结合这些生物标志物和母体特征,以改进AFGO识别.
主要方法:
- 对2533个单元交付 (2015-2017年) 的回顾性分析.
- 包括第二季度早期的生物标志物:α-fetoprotein (AFP),自由β-人类胆性淋巴激素 (fβ-hCG) 和未结合的雌性醇 (uE3).
- 开发和评估四个基于ML的预测模型 (包括梯度增强机 - GBM和通用线性模型 - GLM).
主要成果:
- 与单独的fβ-hCG或AFP相比,血清uE3对AFGO的预测性能更好,ROC分析中曲线下面面积 (AUC) 值更高.
- ML模型,特别是GBM和GLM,显著提高了SGA的预测,在训练组中实现AUC分别为0.873和0.706,在测试组中分别为0.717和0.739.
- 该研究使用单个生物标志物和ML模型确定了各种AFGO的特定预测值.
结论:
- 血清uE3比fβ-hCG和AFP更有效地预测AFGO.
- 梯度增强机 (GBM) 和通用线性模型 (GLM) 模型大大提高了SGA的预测准确性.
- 将常规产前查生物标志物与机器学习相结合,为早期识别不良胎儿生长结果提供了一个有希望的方法.
