基于首次产前检查特征的机器学习模型预测双胎妊娠高血压性疾病与妊娠期糖尿病:全国登记研究
该横断面研究利用美国2016—2021年全国活产登记数据,纳入707198例双胎妊娠分析妊娠期高血压性疾病(HDP)、723882例分析妊娠期糖尿病(GDM)。HDP和GDM发生率分别从2016年的12.6%和8.1%升至2021年的16.0%和10.7%。机器学习模型与逻辑回归模型预测性能相近,HDP和GDM最终机器学习模型的平均AUC分别为0.620±0.001和0.671±0.001,预测性能中等但校准良好。
要点
- 双胎妊娠HDP发生率从2016年12.6%升至2021年16.0%,GDM从8.1%升至10.7%。
- 孕前肥胖II类和III类使双胎妊娠HDP的比值比增加一倍以上。
- 孕前肥胖I、II、III类、母亲年龄≥30岁及非西班牙裔亚裔使GDM比值比增加一倍以上。
核心结论
- 美国双胎妊娠HDP和GDM发生率从2016年至2021年呈上升趋势。
- 机器学习模型对双胎妊娠HDP和GDM的预测准确性与逻辑回归模型相似。
- HDP和GDM模型预测性能中等,校准良好且拟合不差。
研究设计与样本
- 横断面研究,使用美国国家卫生统计中心与疾病控制与预防中心2016年1月至2021年12月的全国活产登记数据。
- HDP分析纳入707198例双胎妊娠,GDM分析纳入723882例双胎妊娠,排除单胎及更高多胎妊娠。
- HDP分析排除慢性高血压记录,GDM分析排除孕前糖尿病记录。
- 预测模型采用广义线性模型(logit链接函数)和分类回归树(XGboost)机器学习算法构建。
- 性能评估采用重复2折交叉验证(1000次迭代,训练集与测试集1:1划分),计算AUC、校准截距、校准斜率及Brier评分。
诊断标准与关键数值
- HDP最终机器学习模型平均AUC为0.620±0.001,逻辑回归模型为0.617±0.001。
- GDM最终机器学习模型平均AUC为0.671±0.001,逻辑回归模型为0.650±0.001。
- HDP模型在预测风险超过10%时,决策曲线净获益高于全部治疗策略,阳性预测值14.3%,阴性预测值93.0%。
- GDM模型在预测风险超过10%时,决策曲线净获益高于全部治疗策略,阳性预测值15.4%,阴性预测值94.0%。
- HDP最终机器学习模型校准截距0.061±0.027、校准斜率1.074±0.015;GDM模型校准截距−0.011±0.026、校准斜率1.003±0.013。
临床应用与阅片要点
- 模型仅基于首次产前检查可获得的母亲特征构建,包括母亲年龄、产次、体外受精、孕前糖尿病及孕前BMI(HDP模型)和母亲年龄、种族/民族及孕前BMI(GDM模型)。
- 作者开发了在线计算器供外部使用与验证(HDP:https://epsilonkappa.shinyapps.io/HYPERTIP/;GDM:https://epsilonkappa.shinyapps.io/BRAD-GDT/)。
- 美国妇产科医师学会(ACOG)将所有双胎妊娠归为妊娠期高血压/子痫前期高风险,应接受阿司匹林预防。
- 英国国家卫生与临床优化研究所(NICE)将双胎妊娠归为子痫前期中度风险因素,若存在一个以上中度风险因素或一个高度风险因素则推荐阿司匹林预防。
局限性
- 美国疾病控制与预防中心出生登记数据未单独记录妊娠期高血压和子痫前期,而是合并为单一变量HDP。
- 作者指出现有没有基于逻辑回归或竞争风险方法建立的模型在双胎妊娠HDP预测中得到验证,因校准差和整体拟合差。
- 作者指出已有模型可能不适用于双胎妊娠,因为与单胎相比生物标志物谱存在改变。
全文中译14 节 · 点击展开
引言
妊娠期高血压疾病(HDP)和妊娠期糖尿病(GDM)分别约占全球妊娠的10%和15%,是孕产妇及围产期死亡和发病的主要原因1, 2。HDP的三大类别为慢性高血压、妊娠期高血压(GH)和子痫前期(PE)3, 4。尽管GH和PE的确切病理生理机制尚不清楚,但已发现这些疾病的众多危险因素,包括高龄产妇、PE病史、孕前糖尿病(DM)、初产、肥胖、肾脏疾病、免疫性疾病和多胎妊娠5。GDM的已知危险因素包括既往妊娠期GDM、糖耐量受损、DM家族史(尤其是一级亲属)、孕前体重指数(BMI)≥ 30 kg/m2、妊娠18–24周体重增长过多、产妇年龄≥ 35岁、既往分娩新生儿出生体重≥ 4000 g以及属于2型DM患病率较高的种族/族裔群体6, 7。
与单胎妊娠相比,双胎妊娠中PE和GH的发生率增加8, 9, 10, 11。这种差异可归因于母体炎症反应增强、胎盘质量较大、母体心血管适应不良和/或胎盘因子水平较高12。然而,多胎妊娠是否构成GDM的危险因素尚存争议;双胎与单胎妊娠之间GDM发生率的数据在各研究间不一致,可能是由于缺乏对混杂因素的校正,或因为双胎妊娠并非主要暴露因素13, 14。
已有数项研究报道使用机器学习预测单胎妊娠中的PE 15, 16, 17。然而,量化双胎妊娠中PE风险的大型人群基础研究匮乏,且尚无针对双胎妊娠的风险预测模型18。由于大多数研究排除了双胎妊娠,或即使纳入,双胎妊娠也并非主要暴露因素,因此关于双胎妊娠发生GDM危险因素的数据有限,预测模型也十分缺乏。
本研究旨在评估双胎妊娠中HDP和GDM的发生率及危险因素,并利用首次产前检查获得的数据构建风险预测模型。
方法
研究设计
这是一项基于美国国家卫生统计中心和疾病控制与预防中心(CDC)出生数据集的人群基础横断面研究。该数据集包括父亲、母亲、产前、分娩和产科特征。它来源于国家出生登记处,使用美国活产标准证书。该证书在分娩时为每个新生儿填写。出生数据集不包含任何姓名,记录为匿名,因此本研究免于机构审查委员会审查,并豁免知情同意。
我们纳入了2016年1月至2021年12月间分娩的所有双胎妊娠出生记录。我们排除了单胎和更高阶多胎妊娠。对于HDP分析,我们排除了慢性高血压女性的记录;对于GDM分析,排除了孕前DM女性的记录。
变量和结局
采用CDC数据集中首次产前检查时获取的以下变量来构建HDP和GDM的预测模型:分娩年份、母亲年龄、母亲出生地(美国境内 vs 美国境外)、母亲种族/族裔、教育水平、特殊补充营养计划妇女、婴儿和儿童(WIC)19 的资格、孕前BMI、孕前DM、孕前高血压、产次、不孕治疗(包括使用促生育药物和体外受精(IVF))、围受孕期吸烟和分娩支付来源。变量的选择基于其与HDP和GDM已知的临床相关性。CDC数据库中报告但未纳入本研究的其他变量包括父亲特征、婚姻状况、开始产前保健的月份、产前检查次数和妊娠期感染。CDC出生数据集未分别记录GH和PE,而是将其合并为单一变量(HDP),我们已在研究中予以反映。
母亲年龄分为< 20、20–24、25–29、30–34、35–39或≥ 40岁。女性还被分类为西班牙裔或非西班牙裔,后者进一步分层为白人、黑人、亚裔和其他(美洲印第安人或阿拉斯加原住民(AIAN)以及夏威夷原住民和其他太平洋岛民(NHOPI))。
CDC数据集记录两个时间点的母亲体重:一次在孕前,一次在分娩前。母亲身高也在孕前记录。因此,对每条记录计算了孕前BMI。个体根据其BMI分为六类:体重不足(< 18.5 kg/m2)、正常(18.5–24.9 kg/m2)、超重(25.0–29.9kg/m2)、肥胖I级(30.0–34.9 kg/m2)、肥胖II级(35.0–39.9 kg/m2)和肥胖III级(≥ 40 kg/m2)。
主要研究结局为HDP和GDM的发生。
统计分析
计算了2016年至2021年各年双胎妊娠中HDP和GDM的发生率。采用带互补对数-对数链接的二项回归来估计随年份变化的发生率比 20 。CDC数据集中所有候选变量(母亲年龄、产次、不孕治疗、教育水平、孕前DM(针对HDP)或高血压(针对GDM)、围受孕期吸烟、母亲种族/族裔、母亲出生地、孕前BMI、分娩支付来源和WIC资格)与HDP和GDM的关联在单变量和多变量校正logistic回归分析中进行了检验。这些结果分别报告为比值比(OR)和校正比值比(aOR),并附95% CI。
预测模型采用广义线性模型(使用logit链接函数)和分类回归树(XGboost)机器学习算法构建。为确定不牺牲性能的最简约模型, initially纳入所有变量,然后以逐步方式剔除。为全模型生成Shapley加性解释图以观察所有变量的个体影响,这也指导了剔除过程。为防止过拟合并允许对模型性能进行现实评估,采用了重复2折交叉验证。数据集按1:1比例分为训练集和测试集,进行1000次迭代,并微调训练参数以尽量避免训练集与验证集之间的预测性能缩减超过2%。考虑的 performance metrics 包括受试者工作特征曲线下面积(AUC)、训练集与验证集之间的AUC缩减、校准截距、校准斜率和Brier评分。选择不牺牲整体性能的最简约模型作为最终模型。最终模型的性能通过校准曲线、指定切点处的阳性和阴性预测值以及决策曲线报告 21 。
检查数据集是否存在不合理值和极端离群值。如果被判定为错误,则将这些不合理值和离群值视为缺失值处理。数据缺失极少(< 3%),采用插补法处理。假设缺失为随机发生,使用多重链式方程插补数值。预测矩阵使用与被插补变量相关系数大于0.10的所有变量(包括结局)构建。最后,检查插补收敛性,并将插补变量的密度与观测值进行交叉核对。
统计分析使用RStudio(RStudio Inc.,Boston,MA,USA)进行。由于可用观测数量庞大,P值< 0.001被认为具有统计学显著性。使用Shiny Applications(Posit Software,Boston,MA,USA)设计并部署了一个在线计算器。
结果
妊娠期高血压疾病和妊娠期糖尿病的发生率
排除后,707 198例双胎妊娠纳入HDP分析,723 882例双胎妊娠纳入GDM分析。HDP和GDM的发生率分别从2016年的12.6%和8.1%显著上升至2021年的16.0%和10.7%(表1)。
双胎妊娠中妊娠期高血压疾病的风险
双胎妊娠中HDP发生几率的单变量和校正多变量logistic回归分析总结于表2。与HDP发生几率增加相关的因素包括:母亲年龄<20岁(aOR,1.21(95%CI,1.15–1.26);P<0.001)或≥35岁(35–39岁:(aOR,1.11(95%CI,1.08–1.13);P<0.001);≥40岁:(aOR,1.35(95%CI,1.31–1.39);P<0.001));使用促生育药物(aOR,1.64(95%CI,1.60–1.68);P<0.001)或体外受精(IVF)(aOR,1.34(95%CI,1.30–1.38);P<0.001)进行不孕症治疗;孕前糖尿病(DM)(aOR,1.92(95%CI,1.81–2.04);P<0.001);非西班牙裔黑人种族(aOR,1.05(95%CI,1.03–1.07);P<0.001);母亲孕前超重BMI(aOR,1.36(95%CI,1.33–1.38);P<0.001)或孕前肥胖(I级:(aOR,1.73(95%CI,1.70–1.76);P<0.001);II级:(aOR,2.09(95%CI,2.04–2.14);P<0.001);III级:(aOR,2.80(95%CI,2.74–2.88);P<0.001));以及以医疗补助(Medicaid)作为分娩支付来源(aOR,1.08(95%CI,1.06–1.11);P<0.001)。
双胎妊娠中与HDP发生几率降低相关的因素包括:产次≥1(aOR,0.66(95%CI,0.65–0.68);P<0.001);非西班牙裔亚裔种族(aOR,0.80(95%CI,0.77–0.83);P<0.001)和西班牙裔种族(aOR,0.88(95%CI,0.86–0.90);P<0.001);母亲孕前体重不足BMI(aOR,0.82(95%CI,0.78–0.87);P<0.001);母亲出生地在美国以外(aOR,0.80(95%CI,0.78–0.81);P<0.001);以私人保险作为分娩支付来源(aOR,0.80(95%CI,0.77–0.85);P<0.001);以及符合WIC项目资格(aOR,0.96(95%CI,0.94–0.97);P<0.001)。
双胎妊娠中妊娠期糖尿病的风险
双胎妊娠中GDM发生几率的单变量和校正多变量logistic回归分析总结于表3。与双胎妊娠中GDM发生几率增加相关的因素包括:母亲年龄≤24岁(<20岁:(aOR,1.33(95%CI,1.22–1.46);P<0.001);20–24岁:(aOR,2.01(95%CI,1.84–2.20);P<0.001))或≥30岁(30–34岁:(aOR,2.69(95%CI,2.47–2.94);P<0.001);35–39岁:(aOR,3.39(95%CI,3.10–3.71);P<0.001);≥40岁:(aOR,4.00(95%CI,3.65–4.39);P<0.001));使用促生育药物(aOR,1.29(95%CI,1.26–1.33);P<0.001)或体外受精(IVF)(aOR,1.33(95%CI,1.28–1.37);P<0.001)进行不孕症治疗;孕前高血压(aOR,1.69(95%CI,1.63–1.75);P<0.001);非西班牙裔亚裔种族(aOR,2.09(95%CI,2.03–2.16);P<0.001);母亲出生地在美国以外(aOR,1.39(95%CI,1.36–1.42);P<0.001);母亲孕前体重不足BMI(aOR,1.17(95%CI,1.09–1.25);P<0.001)、孕前超重BMI(aOR,1.79(95%CI,1.67–1.93);P<0.001)或孕前肥胖(I级:(aOR,2.56(95%CI,2.38–2.75);P<0.001);II级:(aOR,3.46(95%CI,3.21–3.72);P<0.001);III级:(aOR,4.35(95%CI,4.05–4.69);P<0.001));以私人保险作为分娩支付来源(aOR,1.07(95%CI,1.04–1.09);P<0.001)以及符合WIC项目资格(aOR,1.10(95%CI,1.08–1.13);P<0.001)。
双胎妊娠中与GDM发生几率降低相关的因素为非西班牙裔黑人种族(aOR,0.63(95%CI,0.62–0.65);P<0.001)和以自费作为分娩支付来源(aOR,0.65(95%CI,0.61–0.69);P<0.001)。
双胎妊娠中妊娠期高血压疾病的风险预测模型
最初,使用候选池中的所有变量训练妊娠期高血压疾病(HDP)的最大模型,并对每个特征的重要性进行排序。预测双胎妊娠中HDP最重要的五个变量为孕前BMI、产次、不孕治疗、母亲出生地和母亲种族/民族(图1a)。在 tested 的模型中,未牺牲性能的最简约模型包括母亲年龄、产次、IVF、孕前DM和孕前BMI(表4)。最终机器学习模型预测HDP的AUC、校准截距和斜率分别为0.620 ± 0.001、0.061 ± 0.027和1.074 ± 0.015(均值 ± 标准差)。包含相同变量的logistic回归模型的相应值分别为0.617 ± 0.001、0.002 ± 0.028和1.001 ± 0.015。
机器学习模型和logistic回归模型的性能基本相似,在所测试的性能领域中差异可忽略不计(表4)。两个模型均校准良好,对于大多数人群,没有出现在任何预测概率区域上低估或高估HDP风险的情况(表4,图2a,b)。评估了风险十分位数和不同概率截断值的预测准确性(表5)。在所有类别中,估计风险与实际观察到的HDP发生率相符。决策曲线分析显示,对于预测风险超过10%的情况,最终机器学习模型相比全部治疗策略具有更高的净获益,阳性预测值为14.3%,阴性预测值为93.0%(表5,图3a)。
已开发在线计算器供外部使用和验证(https://epsilonkappa.shinyapps.io/HYPERTIP/)。
双胎妊娠中妊娠期糖尿病的风险预测模型
最初,候选池中的所有变量均被用于训练妊娠期糖尿病(GDM)的最大模型,并对每个特征的重要性进行排序。对GDM预测概率影响最大的五个变量为孕前BMI、母亲年龄、母亲种族/民族、母亲出生地及不孕症治疗(图1b)。在 tested 的模型中,未牺牲性能的最简约模型包括母亲年龄、母亲种族/民族和孕前BMI(表6)。最终GDM机器学习模型的AUC均值±标准差、校准截距和斜率分别为0.671±0.001、−0.011±0.026和1.003±0.013。纳入相同变量的logistic回归模型的相应值分别为0.650±0.001、0.003±0.032和1.001±0.014。
机器学习和logistic回归模型的性能基本相似,在所测试的性能领域中差异可忽略不计(表6)。两个模型均校准良好,对于大多数人群,不存在对其低估或高估GDM风险的预测概率区域(表6,图2c,d)。对从≤5%至>25%的不同估计风险类别的预测准确性进行了评估(表7)。估计风险与所有类别中实际观察到的GDM发生率相对应。决策曲线分析显示,对于预测风险超过10%的情况,最终机器学习模型相比全部治疗策略具有更高的净获益,阳性预测值为15.4%,阴性预测值为94.0%(表7,图3b)。
开发了一个在线计算器用于外部使用和验证(https://epsilonkappa.shinyapps.io/BRAD‐GDT/)。
讨论
关键发现总结
在这项使用2016年至2021年美国活产数据的大型横断面人群研究中,我们报告双胎妊娠中HDP和GDM的发生率从2016年至2021年有所增加。使HDP风险增加一倍以上且位于Shapley加性解释图顶部的因素为孕前肥胖II类和III类,而对于GDM的发生,孕前肥胖I类、II类和III类、母亲年龄≥30岁和非西班牙裔亚洲种族是最强的危险因素。基于首次产前检查数据,机器学习模型对双胎妊娠中HDP和GDM的预测准确性与logistic回归模型相似。HDP和GDM模型具有中等预测性能,校准良好,无拟合不良。
与文献的比较
美国妇产科医师学会(ACOG)和母胎医学会支持美国预防服务工作组关于预防子痫前期(PE)的风险评估和指南标准 1, 22, 23。根据ACOG,所有双胎妊娠均被归类为发生妊娠期高血压(GH)/子痫前期(PE)的高风险人群,应接受阿司匹林预防。同样,在英国,国家卫生与临床优化研究所(NICE)将双胎妊娠归类为子痫前期的中等风险因素,并建议如果存在一个以上中等风险因素或一个高风险因素,则应进行阿司匹林预防 24。针对单胎妊娠的研究强调,遵循NICE指南时治疗依从性差且子痫前期筛查性能欠佳(在10.3%的筛查阳性率下,所有子痫前期和37周前子痫前期的检出率分别为30.4%和40.8%)25,遵循ACOG指南时亦然(在0.2%的假阳性率下,37周前子痫前期和足月子痫前期的检出率分别为5%和2%)26。
已用于预测妊娠期高血压疾病(HDP)和妊娠期糖尿病(GDM)的建模方法包括逻辑回归、竞争风险和机器学习,使用母体特征和病史以及生物物理和生化标志物的组合。基于逻辑回归或竞争风险方法的现有模型尚未在双胎妊娠中验证用于预测妊娠期高血压疾病,因为其校准不佳且总体拟合较差 27, 28, 29。也有人提出,这些现有模型可能不适用于双胎妊娠,因为与单胎相比生物标志物谱发生了改变,以及需要根据发生子痫前期时的分娩孕周使用新的生物物理和生化标志物分布 27, 28。
2021年,Benkő等人使用竞争风险模型研究了11–13周妊娠时双胎妊娠中子痫前期的预测,该模型纳入了母体因素和血清生物标志物,数据来自两个前瞻性多中心数据集,包括3938例妊娠,其中339例(8.6%)发生了子痫前期 27。他们发现,子痫前期筛查的最佳性能是通过母体因素、平均动脉压、子宫动脉多普勒和胎盘生长因子的组合实现的。在10%假阳性率下,仅使用母体因素进行筛查对分娩时子痫前期< 32周的检出率为30.6%,相应的AUC为0.702(95% CI,0.622–0.782),这与我们的模型接近。对于子痫前期< 37周的预测,在10%假阳性率下,检出率为24.9%,AUC为0.742(95% CI,0.710–0.773)。
在本研究评估的风险因素中,肥胖在沙普利加性解释图上的重要性最高,并且对于孕前肥胖II级和III级,与HDP和GDM风险增加一倍以上相关。肥胖相关心血管风险的病理生理变化,如胰岛素抵抗、高脂血症、全身炎症状态升高和氧化应激,可能是肥胖孕妇HDP和GDM发病率增加的原因,因为这些因素也可影响胎盘发育和功能30, 31, 32, 33。在Solomon等人的前瞻性研究中,涉及14 613例单胎妊娠,高母体BMI(≥ 30 kg/m2)和母体年龄被确定为GDM的显著风险因素7,这与我们的发现一致。然而,与他们的研究报告不同,他们的研究报道了各种非白人种族中GDM风险较高,而我们发现西班牙裔和非西班牙裔黑人人群中分别无影响和GDM几率降低,这可能 due于我们更大的样本量和对混杂变量更全面的调整。
我们的研究显示较低教育水平(< 12年级)对HDP具有保护作用(aOR,0.90(95% CI,0.87–0.92);P < 0.001)。这与其他显示较低教育水平增加妊娠高血压风险的研究相反34, 35, 36, 37。我们的发现可能反映了与较低教育水平相关的其他因素的影响,例如母体出生地在美国境外,这与HDP风险较低相关;这种所谓的“健康移民”效应通常为外国出生妇女带来健康优势38。
临床和研究意义
本研究的结果支持使用HDP和GDM的母体风险因素来指导双胎妊娠的分层和咨询,突显了可改变因素(特别是BMI)孕前改变的潜力。针对高风险群体的生活方式干预,如孕前体重管理,可以显著降低HDP和GDM的风险。这些预测模型的外部性能很重要,未来的研究应寻求验证我们的发现。机器学习算法的优势在于,所得计算器可以使用基于云或其他在线工具以自动化方式轻松快速地引入。
优势和局限性
据我们所知,这是最大的全国性研究,评估双胎妊娠中HDP和GDM与简单且普遍可及的母体特征的关联。用于开发机器学习和逻辑回归模型的大样本量以及低数量的缺失记录是我们研究的主要优势。使用逻辑回归和机器学习使我们能够构建一个计算器来预测双胎妊娠中的这些状况,并比较两种建模方法的性能。
我们的研究存在若干应予承认的局限性。我们无法确定阿司匹林摄入对我们模型预测性能的影响,这可能导致了其预测性能的虚假下降。许多已知与HDP发生强烈相关的危险因素,如既往妊娠期高血压(GH)或子痫前期(PE)病史、慢性高血压、慢性肾脏病和系统性红斑狼疮,在CDC数据集中不可获得,因此无法纳入模型。同样,一些已知与GDM发生相关的危险因素,如既往妊娠GDM、治疗类型(饮食或胰岛素)、既往分娩出生体重≥4000g的婴儿、糖尿病家族史和多囊卵巢综合征病史,在CDC数据集中缺失,无法纳入分析。同样,我们无法在模型中分析绒毛膜性的关联,因为相关数据不可获得。另一个局限性是缺乏在其他人群中对该预测算法的验证;我们预期在应用于其他人群时需要对算法进行调整。
结论
我们的研究表明了一种新型自动化机器学习方法的实用性,该方法使用低成本预测因子来估计双胎妊娠女性发生HDP和GDM的风险。机器学习模型的预测性能与logistic回归模型相当。临床风险评分方法目前用于风险评估,但我们的研究结果表明,机器学习可以提高预测准确性并实现个体化护理。
引用
- Mustafa HJ, Kalafat E, Prasad S, et al. Prediction of hypertension and diabetes in twin pregnancy using machine learning model based on characteristics at first prenatal visit: national registry study. Ultrasound Obstet Gynecol. 2025. PMID: 38805609. doi:10.1002/uog.27710
- 全文:PMC12047682(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12047682/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。