基于机器学习的抗脂抗体的整合,用于预测复发性自发性流产患者的妊娠结果:一个多中心前性研究

科学领域:

• 生殖免疫学 生殖免疫学
• 计算生物学是一种计算生物学.
• 临床诊断 临床诊断 临床诊断

背景情况:

• 抗脂抗体 (aPLs) 与反复自发流产 (RSA) 和不良妊娠结果 (PO) 有关.
• 诊断aPL相关的RSA可能具有挑战性,特别是非标准aPLs,可能导致错过诊断.
• 与aPL相关的妊娠并发症现有的诊断方法在准确性和早期检测方面存在局限性.

研究的目的:

• 为了提高复发性自发性流产 (RSA) 和不良妊娠结果 (PO) 的诊断和预测准确度.
• 使用机器学习 (ML) 算法,整合标准和非标准的抗脂抗体 (aPLs).
• 开发和验证ML模型,以改善怀孕早期检测和风险评估.

主要方法:

• 一项多中心前性研究,涉及751名具有RSA病史的参与者.
• 使用化学发光免疫试验测量15种抗脂抗体 (aPLs).
• 训练和评估六个机器学习 (ML) 算法,包括光梯度提升机 (LGBM) 和随机森林 (RF),通过AUC,校准,DCA和SHAP评估性能.

主要成果:

• 光梯度增强机 (LGBM) 模型显示RSA预测的高AUC (0.875孕妇,0.778非孕妇).
• 随机森林 (RF) 模型实现了0.885的AUC来预测不良妊娠结果 (PO),显著超过单抗体指标.
• 模型性能通过校准曲线,决策曲线分析 (DCA) 和SHAP进行验证,证实了强大的临床实用性.

结论:

• 机器学习模型大大提高了复发性自发性流产 (RSA) 和不良妊娠结果 (PO) 的诊断和预测性能.
• LGBM和RF模型表现出卓越的准确性和作为辅助诊断和预警工具的潜力.
• 建议在更大的外部队列中进一步验证,以确认这些ML模型的概括性和临床影响.