一个基于临床,代谢和炎症指标的机器学习模型,用于预测反复发生的自发流产

科学领域:

• 生殖医学 生殖医学
• 医疗保健中的人工智能
• 生物统计学 生物统计学

背景情况:

• 复发性自发性流产 (RSA) 影响1%-5%的夫妇,通常是由于未知的原因.
• 确定RSA的预测标记对于有效管理至关重要.
• 亚临床炎症和代谢因素被怀疑是RSA的贡献者.

研究的目的:

• 开发和验证可解释的机器学习模型,用于预测RSA风险.
• 确定RSA的关键临床,代谢和炎症预测因素.
• 通过使用常规数据,使RSA的个性化风险评估成为可能.

主要方法:

• 对523名女性 (285名RSA,238名对照) 的回顾性分析.
• 五个机器学习算法的比较,重点是随机森林.
• 使用SHAP分析来确定特征的重要性.

主要成果:

• 随机森林模型实现了高预测性能 (AUC = 0.85).
• 发现的关键预测因素包括子宫内膜厚度,中性粒细胞百分比和HOMA-β.
• 该模型有效地使用随时可用的临床数据进行风险估计.

结论:

• 机器学习为预测RSA风险提供了一个有希望的方法.
• 代谢失调和亚临床炎症是RSA病变发生的重要因素.
• 这种可解释的模型有助于个性化风险评估和潜在的早期干预策略.