目的:分析自动机器学习（autoML）模型预测孕早期子痫前期风险的效果。方法:选取2017年1月—2020年10月2 180例在济南市第二妇幼保健院建档并于孕12周进行孕检的单胎孕妇，根据整个孕期是否发生子痫前期分为子痫前期组（103例）和对照组（2 077例），比较两组孕妇临床资料和血液学指标差异，分析各指标与子痫前期发生风险的相关性。将纳入研究的孕妇按7∶3的比例随机分为训练集和测试集，应用autogluon autoML算法构建多种机器学习模型，并在训练集中进行训练和交叉验证，比较不同模型的训练和验证准确率。分析各指标在autoML模型中的重要性，以autoML模型和logistic回归模型分别对测试集孕妇孕早期子痫前期的发生风险进行预测，应用受试者工作特征（ROC）曲线对autoML模型和logistic回归模型的预测效能进行评价。结果:子痫前期组年龄、孕前体质指数、孕12周体质指数、孕12周腰围、饮酒史比例、超敏C-反应蛋白（hs-CRP）、三酰甘油、低密度脂蛋白胆固醇（LDL-C）、天冬氨酸氨基转移酶（AST）、血小板分布宽度（PDW）、平均血小板体积、促甲状腺激素（TSH）、β-人绒毛膜促性腺激素水平均显著高于对照组（均 P<0.05），游离三碘甲状腺原氨酸（游离T3）、游离甲状腺素（游离T4）、胎盘生长因子（PIGF）、可溶性fms样酪氨酸激酶-1（sFlt-1）、妊娠相关血浆蛋白-A（PAPP-A）均显著低于对照组（均 P<0.05）。相关性分析显示，孕前体质指数、孕12周体质指数、孕12周腰围、hs-CRP、三酰甘油、AST、TSH、游离T3、游离T4、β-HCG、PIGF、sFlt-1和PAPP-A等与孕早期子痫前期风险的相关性较高；但各指标间的相关性均较低。通过autoML模型算法共构建8类18个模型，基于FastAI的神经网络_L2在训练集（0.963）和验证集（0.971）中的准确率最高；TSH、LDL-C、PDW、孕12周腰围、sFlt-1、AST等指标重要性较高，游离T4、总胆固醇、孕次、饮酒史、产次和高血压家族史重要性较低。孕早期autoML模型预测子痫前期发生风险的ROC曲线下面积显著高于logistic回归模型（0.984比0.765， P=0.002）；两种预测模型在训练集的预测准确率差异无统计学意义（ P>0.05）；autoML模型在测试集的预测准确率和灵敏度均显著高于logistic回归模型（99.54%比98.32%，93.75%比75.00%，均 P<0.05）。 结论:孕早期TSH、LDL-C、PDW、孕12周腰围、sFlt-1、AST等因素与子痫前期发生风险具有一定相关性，基于孕早期指标的autoML模型对子痫前期发生风险具有较高的预测价值。

先兆子痫;妊娠初期;机器学习;预测模型;筛查

陈红波;李红;赵春梅;谢少云;贾春美

济南市第二妇幼保健院孕妇学校，济南　271100;济南市第二妇幼保健院妇女营养门诊，济南　271100;济南市第二妇幼保健院办公室，济南　271100;济南市第二妇幼保健院健康教育科，济南　271100

中华健康管理学杂志

[1]陈红波;李红;赵春梅;谢少云;贾春美-.自动机器学习模型预测孕早期子痫前期风险的效果)[J].中华健康管理学杂志,2022(08):553-560

autoML,autogluon,FastAI

自动机器学习,机器学习模型,孕早期,子痫前期,济南市,妇幼保健院,建档,孕检,单胎,孕妇,孕期,生子,血液学指标,发生风险,训练集,测试集,交叉验证,logistic,受试者工作特征,预测效能,孕前体质指数,腰围,饮酒史,超敏,hs,三酰甘油,低密度脂蛋白胆固醇,LDL,天冬氨酸氨基转移酶,AST,血小板分布宽度,PDW,平均血小板体积,促甲状腺激素,TSH,人绒毛膜促性腺激素,激素水平,游离三碘甲状腺原氨酸,游离甲状腺素,T4,胎盘生长因子,PIGF,fms,酪氨酸激酶,sFlt,血浆蛋白,PAPP,HCG,模型算法,法共,L2,验证集,指标重要性,总胆固醇,孕次,产次,高血压家族史,预测准确率,期指,对子,预测价值,先兆子痫,妊娠初期

0.246099