在机器学习模型中使用低胎儿分数预测前
Jinyuan Wang1, Yuxiao Bai1, Shengshan Huang1
1Department of Clinical Laboratory, The Second Affiliated Hospital and Yuying Children's Hospital of Wenzhou Medical University, Wenzhou, China.
Prenatal diagnosis
|November 27, 2025
概括
在非侵入性产前检测 (NIPT) 中,低胎儿分数 (FF) 与更高的妊娠前风险有关. 即使NIPT重新绘制失败,对子宫前的警至关重要. 机器学习模型对早期检测有希望.
科学领域:
- 孕产妇和胎儿医学 孕产妇和胎儿医学
- 遗传学 遗传学 是一个
- 计算生物学 计算生物学
背景情况:
- 非侵入性产前检测 (NIPT) 是对胎儿染色体异常的查工具.
- 低胎儿分数 (FF) 可能导致NIPT失败,需要重新绘制.
- 在NIPT中低FF的临床意义,特别是关于妊娠并发症的临床意义,需要进一步调查.
研究的目的:
- 检查NIPT中低FF与不良妊娠结果,特别是子宫前之间的关联.
- 通过使用FF和其他临床因素,评估逻辑回归和机器学习模型对先兆子的预测性能.
主要方法:
- 一项回顾性研究涉及61例怀孕,最初的NIPT由于低FF而失败,以及119例对照,NIPT成功.
- 在低FF和对照组之间比较子宫前发病率.
- 开发和对逻辑回归和XGBoost模型进行比较,以预测先兆子.
主要成果:
- 与对照组相比,低FF组的孕前的发生率明显高 (p < 0.05).
- 使用FF的后勤回归模型实现了0.750的AUC,用于预测子前期.
- 结合FF和其他10个因素的XGBoost模型实现了卓越的性能 (AUC = 0.956),其中压缩血压,压缩血压和FF是最重要的预测因素.
结论:
- 在NIPT中低FF可能是增加子宫前风险的早期指标.
- 由于低FF而导致初始NIPT失败的怀孕需要密切监测先兆子.
- 机器学习模型,特别是XGBoost,在预测子宫前方面表现出很高的有效性,并且可以成为有价值的辅助产前查工具.
