一个基于第一季度脂质体特征的机器学习模型,用于预测代谢妊娠并发症
Alisa Tokareva1, Natalia A Frankevich1, Vitaliy Chagovets1
1V.I. Kulakov National Medical Research Center for Obstetrics, Gynecology and Perinatology, Ministry of Healthcare of Russian Federation, Moscow 117997, Russia.
International journal of molecular sciences
|December 30, 2025
概括
早期怀孕查使用第一季度脂管学可以预测妊娠期糖尿病 (GDM) 和宏观性. 机器学习模型识别高风险怀孕,使得及时干预更好的孕产妇和新生儿的结果.
科学领域:
- 生物化学 生物化学
- 基因组学和蛋白质组学
- 计算生物学 计算生物学
背景情况:
- 孕期糖尿病 (GDM) 和巨症显著影响母亲和新生儿的健康.
- 早期的分子失调会先于这些妊娠并发症的临床表现.
- 预测性生物标志物对于及时干预和个性化妊娠管理是必要的.
研究的目的:
- 开发早期的预测模型用于GDM和macrosomia使用第一个三个月的血清脂质组签名.
- 为了识别与GDM和宏观体相关的新型脂质生物标志物.
- 评估机器学习模型在预测这些妊娠并发症方面的有效性.
主要方法:
- 一项涉及119名妇女在第一季度查期间的病例控制研究.
- 使用猎枪质谱法进行血清脂质组分析.
- 机器学习模型 (随机森林,XGBoost) 在Shapley基于值的特征选择后具有10倍的交叉验证.
主要成果:
- 确定了潜在的GDM生物标志物:升高的三糖醇 (TG) 55:7,降低的13-Docosenamide,等离子酶-酸盐胆 (PC P) -36:2,和酸盐胆 (PC) 42:7.
- 已识别出潜在的宏菌生物标志物:酸甘油 (PG) (i-, a- 29:0),4-氧黄油酸和潘托醇.
- GDM预测模型实现了87%的灵敏度和89%的特异性;宏观体模型实现了87%的灵敏度和93%的特异性.
结论:
- 结合临床数据和机器学习的第一季度血清脂组学,可以准确预测GDM和巨风险.
- 这种综合方法显示出早期干预和个性化怀孕护理的临床工具的前景.
- 早期识别高风险怀孕有助于及时管理,以改善母亲和新生儿的结果.
