整合尿液代谢生物标志物和机器学习算法来预测孕前
Qingshan Chen1, Yong Qian2, Mengjiao Feng1
1Department of Pharmacy, Shanghai Key Laboratory of Maternal Fetal Medicine, Shanghai Institute of Maternal Fetal Medicine and Gynecologic Oncology, Shanghai First Maternity and Infant Hospital, School of Medicine, Tongji University, Shanghai, 200092, China.
European journal of medical research
|November 11, 2025
概括
这项研究确定了四种尿路生物标志物,用于预测孕前症 (PE),这是妊娠并发症的主要原因. 使用这些生物标志物的XGBoost模型在早期PE检测中实现了94%的准确性,提供了一种非侵入性查方法.
科学领域:
- 生物化学 生物化学
- 基因组学就是基因组学.
- 医学诊断 医学诊断 医学诊断
背景情况:
- 孕前 (PE) 是一个重要的全球健康问题,导致孕产妇和产前死亡率.
- 确定可靠的PE预测生物标志物对于及时干预和改善结果至关重要.
研究的目的:
- 发现尿路代谢物作为预测性生化标志物用于产前.
- 开发和验证用于使用已识别的生物标志物的早期PE检测的机器学习模型.
主要方法:
- 来自健康,妊娠高血压 (GH) 和PE队列的尿样的非向代谢分析.
- 多变量统计分析以确定差异表达的代谢物和途径丰富分析.
- 使用四种机器学习算法开发和验证预测模型,包括XGBoost.
主要成果:
- 在PE患者中确定了55种明显失调的代谢物,在GH和PE队列中确定了22种代谢物.
- 在PE中发现了维生素B6代谢,类固醇激素生物合成和histidine代谢途径的失调.
- 选择了四个关键的尿路生物标志物 (乙醇-17葡萄糖化物,二甲基酸,4-脱氧三酸,牛) 与乙醇-17葡萄糖化物显示高预测准确度.
- 一个XGBoost模型在PE预测中实现了94%的准确性和0.976的AUC.
结论:
- 确定了四种尿路生物标志物和基于XGBoost的预测模型,用于早期检测孕前.
- 这种非侵入性方法为临床查提供了潜力,并为PE的代谢病理生理学提供了洞察力.
