2025年4月26日，Sangsang Qi等人在《BMC Pregnancy and Childbirth》雜志上發(fā)表了一篇題為《Building a machine learning-based risk prediction model for second-trimester miscarriage》的文章。本研究旨在構建一種基于機器學習的風險預測模型，用于準確預測孕婦在妊娠中期（14+0至27+6周）發(fā)生流產(chǎn)的風險。

妊娠中期流產(chǎn)（STM）是常見的不良妊娠結局，占所有流產(chǎn)的2%-3%，但其對患者身心健康的長期影響常被低估?，F(xiàn)有研究多聚焦于妊娠早期流產(chǎn)或早產(chǎn)，而妊娠中期流產(chǎn)的預測模型研究較少。傳統(tǒng)統(tǒng)計方法在復雜因素分析中存在局限性，機器學習（ML）因其處理非線性關系和特征交互的優(yōu)勢，成為構建預測模型的有力工具。本研究基于臨床實際需求，結合炎癥標志物、宮頸長度等潛在風險因素，探索建立高精度、可解釋的妊娠中期流產(chǎn)預測模型。

研究回顧性收集了2020年1月至2023年10月期間在寧波大學婦女兒童醫(yī)院住院、診斷為“先兆流產(chǎn)且孕周為14+0至27+6周的2006例患者數(shù)據(jù)。排除標準包括入院時已確診“難免流產(chǎn)”、嚴重系統(tǒng)性疾病、胚胎染色體異常及失訪病例。數(shù)據(jù)涵蓋30項臨床特征，包括年齡、孕周、陰道出血、宮頸長度、白細胞計數(shù)（WBC）、C反應蛋白（CRP）等。

研究采用分層隨機抽樣將數(shù)據(jù)分為訓練集（70%）和驗證集（30%）。通過Boruta算法篩選關鍵特征，結合多元邏輯回歸進一步確定最終10個預測變量（如宮頸長度、陰道出血、CRP等）。針對數(shù)據(jù)不平衡問題，使用SMOTE過采樣技術平衡正負樣本。構建了包括邏輯回歸（LR）、支持向量機（SVM）、隨機森林（RF）、XGBoost等7種機器學習模型，并基于準確率、召回率、ROC-AUC、PR-AP等指標評估性能。通過SHAP方法解釋模型預測邏輯，并開發(fā)了在線可視化工具。

2020年1月至2023年10月，寧波大學附屬婦幼醫(yī)院共收治了2172例妊娠 14+0周至 27+6周被診斷為“先兆流產(chǎn)”的患者。根據(jù)排除標準，我們排除了166例患者：其中2例患有精神障礙，153例反復住院，11例因特殊原因自動出院。最終，我們的研究共納入2006例患者；其中395例（19.69%）患者發(fā)生自然流產(chǎn)。作者考慮了30個潛在預測變量進行分析，并統(tǒng)計分析了所有納入病例中每個因素的缺失值。宮頸長度（4.99%）、CRP（3.54%）、異常羊水量（1.94%）、孕前BMI（0.25%）、白細胞計數(shù)（0.15%）、中性粒細胞百分比（0.15%）的缺失數(shù)據(jù)占個人數(shù)據(jù)的5%以下，如圖2所示。我們使用數(shù)值變量的平均值和分類變量的眾數(shù)來填充缺失值。

本研究考察了30個可能導致STM的風險變量。為了避免眾多特征之間的共線性，創(chuàng)建了相關性熱力圖來預測STM的風險特征。相關性熱力圖是一種可視化工具，它以熱圖的形式顯示特征之間的相關系數(shù)，并用顏色陰影表示特征之間的相關程度。圖3展示了納入研究中風險特征的相關性分析，Spearman相關系數(shù)小于0.6，表明納入特征之間的相關性較低。

Boruta是一種基于隨機森林分類器的特征選擇算法。在我們的研究中，Boruta進行了500次迭代，選擇結果總結在圖4中。以下特征與STM風險相關：孕婦年齡、腹痛、陰道出血、陰道分泌物、宮頸長度、宮內(nèi)手術次數(shù)、絨毛膜下血腫、子宮肌瘤、白細胞、中性粒細胞百分比、CRP、貧血和胎盤異常。

圖5顯示了13個特征的多變量分析。選擇具有統(tǒng)計學顯著差異（P <0.05）的特征作為最終特征。最終理想的10個特征為：腹痛、陰道出血、陰道分泌物、宮頸長度、絨毛膜下血腫、子宮肌瘤、白細胞、中性粒細胞比例、C反應蛋白、胎盤異常。統(tǒng)計結果顯示，發(fā)生STM的風險為19.69%，明顯低于無流產(chǎn)的概率，說明數(shù)據(jù)樣本不平衡。本研究利用SMOTE過采樣技術生成少數(shù)樣本，確保孕中期陽性樣本與陰性樣本比例為1:1，且數(shù)據(jù)結構平衡 ，生成SMOTE后數(shù)據(jù)集。

本研究采用了七種不同的機器學習技術建立模型：LR、KNN、SVM、DT、RF、XGBoost和ANN。圖6展示了這七種模型在訓練隊列和驗證隊列中的ROC-AUC和PR-AP性能。表1比較了準確率、精確率、召回率和F1分數(shù)，并使用圖7中描繪的雷達圖從多個維度比較了每個模型的性能數(shù)據(jù)，以增強結果的清晰度和視覺吸引力。在七種模型中，有三個模型都表現(xiàn)出較高的預測性能：LR模型（AUC = 0.843）、SVM（AUC = 0.835）和 XGBoost（AUC = 0.833）AUC大于0.8表示預測性能良好。KNN（AUC = 0.751）、DT（AUC = 0.721）、RF（AUC = 0.796）和ANN（AUC = 0.771）模型的預測能力中等。RF模型的精確度最高，為0.653，其次是XGBoost（精確度為 0.529）。但XGBoost的PR和準確度最高，分別為0.650和0.817。

當使用臨床決策曲線分析（DCA）評估預測模型的臨床有效性時，XGBoost模型在特定范圍內(nèi)獲得的凈收益大于其他模型（圖8），表明XGBoost模型具有良好的臨床實用性。校準曲線分析顯示，XGBoost模型的表現(xiàn)優(yōu)于其他模型，其Brier Score最低（驗證組中為0.132）。

對預測模型進行臨床評估，前瞻性收集了2024年1月至3月寧波大學附屬婦幼保健院符合納入和排除標準的120例患者資料，其中18例（15.0%）患有 STM。模型準確率為0.858，精確率為0.519，召回率為0.778，F(xiàn)1得分為0.622，ROC-AUC為0.883，PR-AP為0.702，結果如表2所示。

SHAP分析顯示，宮頸長度是預測中期流產(chǎn)的最關鍵因素，其縮短顯著增加風險（如長度＜20mm時風險升高14.5倍）。其他重要特征依次為C反應蛋白（CRP）、中性粒細胞百分比、陰道出血及陰道分泌物。模型解釋表明：宮頸縮短、炎癥標志物升高（如CRP＞2.27mg/L）、陰道出血等正向驅動流產(chǎn)預測；而宮頸長度正常（如≥30mm）、無出血等特征則降低風險。通過可視化案例，SHAP直觀展示了各特征對個體預測結果的貢獻方向與強度，為臨床決策提供可解釋依據(jù)。

此外，還為臨床醫(yī)生構建了一個基于網(wǎng)絡的工具來使用所提出的模型（網(wǎng)址為 https://qisangsang.shinyapps.io/STMRISK/）（圖10）。

研本研究成功構建了基于XGBoost算法的中期流產(chǎn)風險預測模型，其性能優(yōu)于傳統(tǒng)統(tǒng)計方法，并通過SHAP實現(xiàn)可視化解釋。模型整合了易獲取的臨床指標，為早期識別高危孕婦提供了實用工具。