基于微元素和生化生物标志物的机器学习,用于预测威尔逊病的不良妊娠结果:通过整合肝纤维化和大脑功能来分层风险
Juan Wang1, Qing-Qing Ming1, Yong-Guang Shi1
1Department of Neurology, Hefei Hospital Affiliated to Anhui Medical University (Hefei Second People's Hospital), Department of Health Management Center, First Afliated Hospital of Anhui Medical University, Hefei, China.
Frontiers in nutrition
|March 5, 2026
概括
机器学习模型可以预测威尔逊病 (WD) 患者的不良妊娠结果 (APO). 通用线性模型 (GLM) 显示了最高的准确性,识别了与微元素失衡和肝纤维化相关的风险.
科学领域:
- 生殖医学是一种生殖医学.
- 肝病学 肝病学是一种肝病学.
- 医疗信息学医学信息学
背景情况:
- 威尔逊病 (WD) 患者的怀孕对不良妊娠结果 (APO) 构成重大风险.
- 预测WD怀孕中的APOs对于改善孕产妇和胎儿健康至关重要.
- 微元素概况和生物化学标记是APO的潜在指标.
研究的目的:
- 开发和验证机器学习 (ML) 算法,用于在怀孕的WD患者中识别APO.
- 用微元素和生物化学数据评估不同ML模型的预测性能.
- 研究大脑功能和肝纤维化对APO预测的影响.
主要方法:
- 在114名WD患者中收集了微元素,生化标志物和肝纤维化数据 (57名APO,57名无意外怀孕).
- 应用了LASSO回归来选择特征,并开发了四种ML模型:GLM,DL,RF和GBM.
- 已验证的模型来区分APO和无意外妊娠,包括分层分析.
主要成果:
- 在没有过度装配的情况下,GLM实现了最高的精度 (0.850),在数据集中显示了稳定性.
- 射频和GBM模型显示过拟合,而DL显示不良的泛化.
- 分层分析表明GLM的稳定性,GBM在脑功能障碍患者中表现最好.
结论:
- 微元素失衡和肝纤维化与WD患者的APO风险有关.
- 在大多数WD患者中,GLM是对大多数WD患者的APOs的可靠和可泛化的预测工具.
- 可能需要进一步的研究,以优化脑功能障碍WD患者的预测.
