论文解读| Yuting Liang/Longwei Qiao教授团队:孕期常规化验指标联合机器学习预测孕早期子痫前期
2026-09-23 Genes and Diseases Genes and Diseases 发表于上海
子痫前期FMF预测模型效能有限。该大样本研究结合孕早期常规化验与机器学习,整合FMF模型显著提升早产、足月型PE检出率;相关指标存在非线性阈值效应,转录组揭示代谢炎症紊乱,利于基层风险筛查。
子痫前期(PE)影响全球2%—8%的孕妇,是孕产妇和围产期并发症的重要原因,并与产后长期心血管疾病风险相关。孕16周前使用小剂量阿司匹林可使早产型PE发生率降低近60%,因此早期识别高危人群至关重要。目前广泛应用的胎儿医学基金会(FMF)预测模型(母亲危险因素+平均动脉压+子宫动脉搏动指数+胎盘生长因子)操作复杂,对足月型PE的检出率仅40%—45%,亟需更简便、经济的预测工具。
来自苏州大学的Yuting Liang教授团队联合南京医科大学的Longwei Qiao教授团队在本刊发表了题为“First-trimester preeclampsia prediction model via integrative machine learning of maternal risk profiles and laboratory markers”的研究论文。该研究基于12 715例孕早期孕妇的常规化验指标,鉴定多种与PE相关的实验室标志物(含非线性阈值效应),通过机器学习与FMF模型整合,将早产型PE检出率从65.0%提升至92.5%,将足月型PE检出率从47.7%提升至81.1%(图1),为PE早期风险分层提供了低成本、可推广的策略。

图1 本研究的流程图(原文中Figure 1)
1. 常规实验室指标与PE风险独立相关
研究纳入2015—2024年间苏州两家医院的12 715例孕妇(PE 556例,4.4%),采集孕期血样检测肝肾功能、血脂、电解质、炎症及微量元素等指标。PE组孕早期(<14周)肝功能指标(TBA、PALB、GLB、ALT、ALP、GGT、LDH、CHE)及UAR MoM、TyG MoM、TC、LDL-C、VLDL-C、CRP显著升高,HDL-C、Mg、Fe显著降低。经多因素校正的Logistic回归(Model 3)显示,GGT、UAR MoM、TyG MoM、CRP等与PE风险独立正相关,Mg、Fe、HDL-C呈负相关。
2. 剂量-效应趋势及非线性阈值效应
四分位分析显示,肝功能、肾功能(UAR MoM)及血脂炎症指标(TyG MoM、CRP等)第四分位组PE患病率显著升高,而HDL-C、Mg、Fe第四分位组PE患病率降低,校正混杂因素后趋势仍显著。限制性立方样条(RCS)分析显示TBA、ALT、ALP、GGT、CHE、TyG MoM、HDL-C、CRP、Mg、Cu、Fe与PE风险呈非线性关系。两阶段线性回归进一步确定阈值效应:如CRP低于阈值8.09 mg/L时,每升高1 mg/L,PE风险增加18%;TyG MoM超过0.83后每单位升高使PE风险增加5.06倍;HDL-C低于1.84 mmol/L时每升高1 mmol/L使PE风险降低70%。
3. 机器学习模型预测症状前期PE
基于Boruta算法筛选特征(早产型PE 22个、足月型PE 19个),构建7种机器学习模型。早产型PE中AdaBoost模型表现最佳,SHAP分析确认UAR MoM、TyG MoM、PALB、GGT、CRP为关键特征;足月型PE中LightGBM模型最优,TyG MoM、PALB、GGT、CRP为最重要预测因子。
4. 常规化验指标与母体风险因素整合显著提升预测效能
在5901例有完整FMF评估数据的孕妇中,将最优实验室指标模型与FMF模型整合。早产型PE中,CatBoost整合模型显著优于FMF模型;在14%假阳性率下检出率达92.5%,而FMF仅为65.0%。足月型PE中,Logistic回归整合模型显著优于FMF模型;14%假阳性率下检出率为81.1%,远超FMF的47.7%(图2)。

图2 整合实验室标志物与孕产妇风险特征以预测PE(原文中Figure 7)
5. 早期转录组学改变提示PE多系统功能失调
对51例孕中期血浆(来自18例后来发生早产型PE)进行低深度cfDNA测序与TSS覆盖度分析,联合GEO三个胎盘组织数据集(803个DEGs)进行交叉分析,获得26个共有基因。GSEA显示PE组肝代谢相关通路(细胞色素P450代谢、葡萄糖醛酸化、胆汁酸合成与清除、脂质氧化)显著负向富集,促炎通路(IL-6、IL-1)显著上调,糖代谢通路下调而胰岛素信号通路代偿性上调,与早期肝功能障碍、胰岛素抵抗、血脂异常和炎症的实验室指标改变相互印证。
本研究基于12 715例大样本回顾性队列,证实肝功能(GGT、ALP、CHE)、肾功能(UAR MoM)、脂质-炎症(TyG MoM、CRP)及微量元素(Cu、Ca、Mg、Fe)等常规化验指标与PE发生风险显著相关,且存在非线性阈值效应。本研究将这些易获取、低成本的实验室指标经机器学习整合入FMF临床框架,显著提升早产型和足月型PE的早期预测效能。cfDNA TSS分析进一步从转录组层面揭示了肝代谢障碍、胰岛素抵抗与炎症激活的多系统失调机制。该策略为资源有限地区的PE风险分层和早期干预提供了可行方案。
文章来源
免费全文下载链接:
https://www.sciencedirect.com/science/article/pii/S2352304226000474
引用这篇文章:
Zhu Y, Zhang Y, Huang C, et al. First-trimester preeclampsia prediction model via integrative machine learning of maternal risk profiles and laboratory markers. Genes Dis. 2026;13(6):102075.
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言











#子痫前期#
39 举报