早孕期胎盘超声(FirstPLUS)研究:利用OxNNet衍生早孕期胎盘体积预测胎儿生长受限
基于伦敦国王学院医院3500例早孕期纵向观察队列,评估OxNNet自动分割所得早孕期胎盘体积(FTPV)对胎儿生长受限(FGR)的预测价值。FTPV Z评分每降低1单位,FGR风险OR为1.736(95%CI 1.499-2.015);将FTPV加入母体因素与生物标志物模型使全部FGR的AUC从0.78升至0.79(P=0.005),血压正常FGR亚组AUC从0.77升至0.78(P=0.01)。
要点
- 早孕期胎盘体积Z评分降低是FGR的危险因素,每降低1单位OR为1.736(95%CI 1.499-2.015)。
- FTPV加入母体因素与生物标志物模型后全部FGR的AUC由0.78升至0.79(P=0.005)。
- 血压正常FGR亚组加入FTPV后AUC由0.77升至0.78(P=0.01),提示FTPV预测FGR并非仅反映高血压疾病。
核心结论
- FTPV Z评分是FGR的预测因子;将FTPV整合进预测模型可显著提升对全部FGR及血压正常FGR亚组的判别能力。
研究设计与样本
- FirstPLUS研究为在英国伦敦国王学院医院NHS基金会信托于2022年3月至11月开展的纵向观察性队列研究。
- 最终队列3500例妊娠,其中250例(7.1%)发生FGR。
- 孕11+2至14+1周行常规超声及三维胎盘超声,使用GE Voluson E6或E8超声仪配RAB4-8-D三维/四维凸阵腹部探头(4–8.5 MHz)。
- 采用OxNNet工具包自动分割胎盘并计算体积,FTPV Z评分与百分位按头臀长(CRL)依据Mathewlynn等的方法计算。
- FGR定义为出生体重<第3百分位,或出生体重<第10百分位且末次产前超声存在多普勒异常(脐动脉搏动指数>第95百分位或脑胎盘比<第5百分位)。
诊断标准与关键数值
- FTPV Z评分每降低1单位,FGR的OR为1.736(95%CI 1.499-2.015);每升高1单位OR为0.576(95%CI 0.496-0.667)。
- FTPV最低十分位(<第10百分位)相对最高十分位(>第90百分位)的FGR风险OR为4.670(95%CI 3.158-6.906)。
- 全部FGR:母体因素+生物标志物模型AUC 0.78(95%CI 0.75-0.81),加入FTPV后AUC 0.79(95%CI 0.76-0.82),P=0.005。
- 血压正常FGR:母体因素+生物标志物模型AUC 0.77(95%CI 0.74-0.80),加入FTPV后AUC 0.78(95%CI 0.75-0.81),P=0.01。
- 早产FGR:含FTPV模型AUC 0.85(95%CI 0.78-0.92),不含FTPV模型AUC 0.85(95%CI 0.79-0.92),P=0.93,无显著差异可能因把握度不足。
临床应用与阅片要点
- 早孕期三维胎盘超声可在常规筛查时完成,OxNNet自动分割每例扫描处理约需5秒,便于群体水平风险评估。
- FTPV Z评分可与母体因素、PAPP-A、平均动脉压及子宫动脉搏动指数联合用于FGR风险分层。
- 血压正常与高血压亚组中FTPV Z评分每降低1单位的FGR OR分别为1.731(95%CI 1.483-2.026)与1.631(95%CI 1.072-2.513)。
局限性
- 早产FGR事件数少(n=39),研究对该结局把握度不足,FTPV加入前后AUC差异无统计学意义(P=0.93)。
全文中译24 节 · 点击展开
引言
导致胎儿生长受限(FGR)的胎盘功能不全围产期发病率和死亡率的重要原因,小于胎龄儿(SGA)与长期心血管和代谢后果相关 1 , 2 , 3 , 4 , 5 , 6 , 7 。
产前可通过胎儿生物测量和多普勒测速识别FGR,并已有基于Delphi共识的FGR诊断定义 8 。一旦怀疑FGR,各国指南可协助管理受累妊娠,权衡在特定孕周医源性分娩的风险与继续妊娠的风险 9 。恰当的管理取决于FGR的及时诊断,因此早期识别高危病例以促进产前保健和超声检查的安排至关重要。因此,可能改善FGR预测的新型早孕期生物标志物值得关注。
胎盘重量与胎儿(或新生儿)重量之间存在明确的相关性,越来越多的证据表明,使用三维(3D)超声评估的早孕期胎盘体积(FTPV)与后续胎儿生长之间存在关系 10 , 11 , 12 , 13 , 14 。此前,手动或半自动胎盘分割过程过于耗时或不可靠,使FTPV无法考虑用于人群水平筛查。然而,人工智能(AI)的最新进展通过OxNNet工具包提供了创新解决方案 15 。该软件的开发已有既往描述,其利用全卷积神经网络实现胎盘分割和体积计算的完全自动化 16 , 17 。使用OxNNet后,将FTPV纳入FGR的人群水平风险评估成为可行前景。
本研究旨在开发包含和不包含OxNNet衍生FTPV的FGR预测模型,从而评估FTPV对这些模型的贡献以及FTPV百分位与后续FGR的相关程度。
方法
研究设计与设置
本研究利用早孕期胎盘超声(FirstPLUS)研究的数据,该研究是一项纵向观察性队列研究,纳入2022年3月至11月期间在英国伦敦国王学院医院NHS基金会信托Harris Birthright胎儿医学研究中心接受早孕期筛查的孕妇。参与者在妊娠11 + 2至14 + 1周之间进行的常规超声评估期间被招募。除常规护理外,还进行了胎盘3D超声成像。在单次研究访视后,参与者继续接受标准产科护理,后续妊娠结局数据从电子病历中检索。本研究遵循加强观察性流行病学研究报告(STROBE)指南 18 。
West Midlands–Solihull研究伦理委员会于2022年3月8日批准了FirstPLUS研究的伦理许可(编号22/WM/0039)。参与者在参与前提供书面知情同意,并可随时退出研究。
研究人群
对前来参加孕早期联合筛查的个体进行了接触。同意参与并提供知情同意者,若符合以下标准则纳入研究:单胎妊娠;年龄≥18岁;在妊娠11+2至14+1周之间前来接受孕早期联合筛查;能够理解书面或口头英语(或能够获得适当的翻译方法);且研究者认为不存在参与研究活动的风险、压力或能力受限。若符合以下任一标准则排除:妊娠不可存活或存活状态不确定(未检测到心跳);扫描时发现多胎妊娠(一个以上可存活胎儿);扫描时发现妊娠伴有重大缺陷;随后在产前或产后检测中发现染色体异常的妊娠;或无法完成联合筛查的妊娠(例如无法获得颈项透明层测量值)。终止妊娠和流产亦被排除,失访或结局数据不完整的病例同样被排除。
定义与参考值
胎儿生长受限(FGR)定义为出生体重<第3百分位,或出生体重<第10百分位且最后一次超声扫描时伴有多普勒异常。多普勒异常指定为分娩前最后一次超声检查时脐动脉搏动指数(PI)>第95百分位或脑胎盘比<第5百分位,依据Ciobanu等[19]的参考范围。出生体重百分位采用胎儿医学基金会(FMF)开发的人群出生体重曲线确定,如Nicolaides等[20]所述。小于胎龄儿(SGA)定义为出生体重<第10百分位。胎儿胸肺容积(FTPV)Z评分和百分位基于头臀长(CRL)按照Mathewlynn等[21]描述的方法计算,使用所提供的R模型,该模型采用lambda-mu-sigma方法构建[21]。妊娠相关血浆蛋白-A(PAPP-A)、平均动脉压和子宫动脉(UtA)-PI的中位数倍数(MoM)值被计算,并针对日龄进行建模,酌情根据母亲种族、体重和吸烟状况进行调整。
早产定义为37+0周前分娩,而早产型FGR定义为早产同时符合上述FGR标准。子痫前期(PE)和妊娠期高血压根据美国妇产科医师学会(ACOG)指南定义[22]。血压正常的FGR定义为符合FGR标准但无妊娠期高血压或PE的病例。
妊娠期糖尿病通过口服葡萄糖耐量试验诊断,遵循美国国家卫生与临床优化研究所(NICE)设定的时机和诊断阈值[23]。死产定义为≥24+0周分娩且无生命迹象。流产定义为超声证实的宫内胎儿死亡,或≤23+6周分娩且无生命迹象。
超声评估
超声扫描使用GE Voluson™ E6或E8超声仪(GE Healthcare,奥地利齐夫)进行,配备RAB4-8-D三维/四维(4D)曲面阵列腹部探头(4-8.5 MHz)。这些操作由在接受过三维-胎儿胎盘体积(3D-FTPV)采集技术充分培训的FMF研究员完成。超声仪预先配置了适当的设置,并将其存储为预设模式以确保所有扫描的一致性(详细设置见表S1)。验证妊娠存活,并按照标准方案获取头臀长(CRL)和颈项透明层测量值。
妊娠日期基于头臀长测量确定[24],辅助生殖的情况除外,此类情况使用胚胎移植日期。
胎盘超声扫描包括首先确定三维成像的理想探头放置位置,通常靠近胎盘中心。调整灰度增益设置以清晰区分胎盘与相邻子宫肌层。采集静态灰度容积并进行审查以确保包含整个胎盘。如有任何部分缺失或处于阴影中,则调整角度或重新放置探头,并重复采集。
图像处理与质量控制
图像以.vol文件格式直接从超声仪获取,未经小波压缩,由英国牛津大学纳菲尔德妇女与生殖健康系胎盘成像研究组进行回顾性分析。使用OxNNet工具包对胎盘进行分割并计算胎盘体积,方法如先前所述[16, 17]。
在胎盘分割之前,经过培训的研究超声技师对所有图像进行回顾性审查以确保胎盘的完整采集。如果胎盘不完整、使用了错误的机器设置或图像质量太差无法勾画胎盘,则排除该图像。使用能量多普勒以辅助测量血流移动分数体积(其细节超出本文范围),如果存在过多的能量多普勒闪烁伪影(超过五个大闪烁),则排除该病例。
在随后的质量控制轮次中,使用当前版本的OxNNet和原始OxNNet原型对胎盘和羊水进行分割。通过使用Dice相似系数比较分割结果来评估每种方法的性能。对一致性较差的病例由S.M.和M.So.进行人工审查,对视觉上无法确定胎盘轮廓的病例(例如由于图像质量极差)从分析中排除。图像根据三项标准被标记为需审查:胎盘分割一致性< 60%,无论羊水分割一致性如何;胎盘分割一致性< 75%且羊水分割一致性< 40%;以及羊水分割一致性< 40%,无论胎盘分割一致性如何。
OxNNet版本管理与故障模式
OxNNet 基于先前发表的多类分割方法构建,使用原生实现 16。为支持可重复性和现实可行性,使用了以下软件环境:Python 3.7(https://www.python.org/)、TensorFlow 25 2.7.0(https://www.tensorflow.org/)、NumPy 26 1.21.4(https://numpy.org/)和 SciPy 27 1.7.3(https://scipy.org/)。每次扫描的处理时间约为 5 秒。失败通常发生在原始超声数据文件损坏或以错误格式保存(例如不完整或损坏的头部信息)时,这会阻止成功转换为 NIfTI。如果转换失败,则无法继续处理。如果多类分割算法未能检测到胎盘、羊水或胎儿,则不会返回胎盘体积的评估结果。
统计分析
统计分析使用 R 版本 4.3.1 和 RStudio 版本 2024.09.0 + 375(R Foundation for Statistical Computing Platform,奥地利维也纳)进行。
样本量估算
FirstPLUS 研究的目标样本量使用 Riley 等人 28 的方法确定,以确保有足够数量的病例用于构建多变量模型。假设结局罕见(发生率 2%),2171 例对于包含 20 个参数且 C 统计量为 0.9 的模型是足够的。对于 C 统计量为 0.8,则需要 2992 例。如果使用更少的参数以及对于患病率更高的结局,则需要更少的病例。为考虑 attrition 和排除,务实地选择了 4000 例的招募目标。
组间比较
FGR 组和非 FGR 组的特征总结为:连续变量以中位数(四分位距(IQR))表示,分类变量以 n(%)表示。统计比较对连续变量使用 Wilcoxon 秩和检验,对分类变量使用卡方检验。在计数小于五的情况下,改用 Fisher 精确检验。显著性设定为 P < 0.05。
多重共线性评估
在开发多变量 logistic 回归模型之前,我们评估了预测变量之间的多重共线性,以确保模型估计的稳定性和可解释性。我们根据变量类型,结合使用 Pearson、多分格和多序列相关生成全面的相关矩阵。Pearson 相关用于连续-连续变量对,多分格相关用于分类-分类变量对,多序列相关用于连续-分类变量对。既往妊娠数据的处理描述如下。变量之间的成对关联使用热图可视化,这有助于识别可能损害模型的高度相关预测因子(即 |r| > 0.8)。
构建包含和不包含 FTPV 的模型
为了评估FTPV作为FGR预测因子的潜力,我们使用R基础包中的glm函数,以FGR作为二分类结局,进行了一系列单变量和多变量二项逻辑回归分析。计算了粗比值比和调整比值比(OR),并使用轮廓似然法估计95%置信区间(CI)。多变量模型纳入母体因素、妊娠早期生物标志物或两者兼有。所有MoM值均经log10转换。每种情况下建立两个模型,一个纳入FTPV作为预测因子,另一个不纳入,从而产生六个预测FGR的模型。该过程对早产FGR和血压正常型FGR这两个二分类结局重复进行,最终共产生18个模型。这些模型的详细信息见附录S1,包含模型的R文件见附录S2。
既往妊娠数据的处理
纳入与既往妊娠相关的结局数据对相关性矩阵和预测模型的构建构成挑战,因为初产妇缺乏此类数据。采用交互项以允许纳入既往妊娠数据,将二分类编码的妊娠结局(既往PE、上次妊娠SGA、既往PE合并上次妊娠SGA、无PE或SGA史)与上次出生体重百分位数和妊娠间隔组合纳入(产生两组各四个互斥变量)。
FTPV与FGR之间关系的评估
为探究FTPV与FGR之间的关联,我们以FTPV十分位数(由Z评分推导)作为预测因子进行逻辑回归分析,并绘制了估计效应量和比值比及其95%CI。为评估FTPV Z评分与FGR之间的关系在logit尺度上是否呈线性趋势,将FGR的比值比(含95%CI)对相应FTPV十分位组的平均Z评分作图。OR直接计算,而非相对于参照类别。
为比较FTPV Z评分极端百分位数之间的风险,使用另一逻辑回归模型评估第90百分位数相对于第10百分位数的OR。OR计算为模型系数乘以相应百分位数差值。
模型的比较
为每个模型构建受试者工作特征(ROC)曲线,以评估预测FGR的判别性能。计算ROC曲线下面积(AUC)及其95%CI,AUC值越高提示判别性能越好。对于每个模型,计算了假阳性率为5%、10%和20%时的灵敏度。
为比较纳入FTPV和不纳入FTPV作为预测因子的模型,使用pROC包中的roc.test函数应用DeLong检验,该检验考虑了来自同一人群的ROC曲线之间的相关性。
亚组分析
进行单变量逻辑回归分析,以评估FTPV Z评分对血压正常和高血压病例中FGR的预测作用。OR以森林图形式呈现。
结果
排除后,最终研究队列包括3500例(图1),其中250例(7.1%)发生FGR。最终队列的特征总结于表1。在纳入的病例中,除3例无法确定新生儿性别外,无数据缺失。
基线特征
结局组之间在若干特征上观察到统计学显著差异。FGR组的中位母体体重低于非FGR组(64.0(IQR,57.3–73.2)kg vs 67.2(IQR,60.0–77.0)kg;P < 0.001),中位母体身高也较低(163(IQR,160–168)cm vs 166(IQR,162–170)cm;P < 0.001)。与非FGR组相比,FGR组中黑人参与者比例更高(45/250(18.0%))和南亚裔参与者比例更高(39/250(15.6%)),非FGR组分别为407/3250(12.5%)和224/3250(6.9%)(P < 0.001)。FGR组中初产妇更为常见(149/250(59.6%)),非FGR组为1560/3250(48.0%),并且在经产妇病例中,既往小于胎龄儿(SGA)的发生率更高(P < 0.001)。与非FGR组相比,FGR组吸烟也更为常见(14/250(5.6%)vs 57/3250(1.8%);P < 0.001)。FGR组最近一次既往妊娠的中位出生体重百分位低于非FGR组(12.0(IQR,3.6–32.3)vs 43.7(IQR,18.3–69.0);P < 0.001)。对于经产妇,FGR组的中位妊娠间隔大于非FGR组(3.66(IQR,1.88–6.24)年 vs 2.48(IQR,1.57–4.19)年;P = 0.002)。与非FGR组相比,FGR组慢性高血压更为常见(8/250(3.2%)vs 22/3250(0.7%);P < 0.001)。最后,与非FGR组相比,FGR组观察到系统性红斑狼疮(SLE)和/或抗磷脂综合征(APS)的发生率更高(4/250(1.6%)vs 11/3250(0.3%);P = 0.018)。
FGR组与非FGR组之间在所有评估的生物标志物上均存在统计学显著差异(表1)。值得注意的是,FGR组的中位FTPV Z评分为–0.52(IQR,–1.01至0.06),非FGR组为–0.01(IQR,–0.06至0.61)(P < 0.001)。
多重共线性评估
相关矩阵见图2。大多数变量对之间无实质性相关。在吸烟与慢性高血压之间、以及吸烟与SLE/APS之间观察到强相关(|r| > 0.8)。虽然慢性高血压与吸烟之间的关联在预期之中,但吸烟与SLE/APS之间的关联可能是由于病例数较少所致的假象。重要的是,FTPV Z评分与任何其他变量均无强相关。
FTPV对FGR的预测
FGR的粗比值比和调整后比值比见表2。FTPV每增加1个Z分数单位,FGR的粗OR为0.576(95% CI,0.496–0.667)(或者换言之,FTPV Z分数每降低1个单位,FGR的OR为1.736(95% CI,1.499–2.015)),并且在仅调整母亲因素或母亲因素加生物标志物后,该关联仍具有统计学显著性。
FTPV与FGR之间关系的评估
模型估计的可视化显示,随着FTPV十分位数增加,效应量和FGR的比值比呈一致性下降(图3),突出了各十分位数之间关联的相对强度以及线性趋势。在对数几率概率尺度上绘制的拟合概率强化了线性趋势(图4),支持将胎盘体积作为连续变量使用而无需转换。
此外,对极端百分位数的比较(<第10百分位 vs >第90百分位)显示,最低十分位数与最高十分位数相比,FGR风险明显更高,估计OR为4.670(95% CI,3.158–6.906)。
模型比较
表3列出了为预测所有FGR病例所开发模型的AUC值。对于所有FGR的预测,在不纳入FTPV的情况下,基于母亲因素和生物标志物的模型表现最佳,AUC达到0.78(95% CI,0.75–0.81)。将FTPV纳入该模型后,AUC提高至0.79(95% CI,0.76–0.82),具有统计学显著性(P = 0.005)。
在为专门预测血压正常型FGR所开发的模型中观察到类似结果(表S2),其中将FTPV加入母亲因素和生物标志物后,AUC从0.77(95% CI,0.74–0.80)显著提高至0.78(95% CI,0.75–0.81),具有统计学显著性(P = 0.01)。使用单变量logistic回归得出的血压正常型FGR、高血压型FGR和所有FGR的OR在图5中进行了比较。FTPV在两个亚组中均与FGR显著相关,FTPV Z分数每降低1个单位的OR在血压正常型FGR中为1.731(95% CI,1.483–2.026),在高血压型FGR中为1.631(95% CI,1.072–2.513)。
用于预测早产型FGR的模型在加入FTPV后改善甚微,观察到的小差异无统计学显著性(表S3)。值得注意的是,早产型FGR的事件率较低(n = 39),意味着本研究对该结局的检验效能不足。
所有FGR、血压正常型FGR和早产型FGR预测的ROC曲线分别见图6、S1和S2。
讨论
我们的研究表明,将OxNNet衍生的FTPV整合到胎儿生长受限(FGR)的多变量预测模型中,可显著提高所有FGR病例的判别能力,且这一结果在血压正常的FGR亚组中依然成立。这一发现具有重要意义,因为它表明低胎盘体积对FGR具有特异性预测价值,而不仅仅是对与FGR强相关的高血压疾病具有预测价值。对于预测37周前分娩的FGR,改善甚微;然而,由于本队列中早产FGR的发生率较低,该研究统计效能不足,未能达到统计学显著性。预测早产FGR的另一种方法是将FGR(或具体为分娩FGR婴儿)作为时间事件构建生存模型,这是未来值得探索的领域。
我们的发现与既往研究一致。例如,Plasencia等29开展了一项纳入3103例单胎妊娠的研究,在11至13周之间测量FTPV。以出生体重<第5百分位(小于胎龄儿(SGA))作为胎儿生长欠佳的指标。该研究发现,与仅使用母体特征相比,将胎盘体积纳入预测模型可增强对SGA的预测性能。多变量回归分析表明,在母体特征和血清妊娠相关血浆蛋白A(PAPP-A)的基础上加入胎盘体积,对预测SGA(OR,0.10(95% CI,0.02–0.41);P = 0.001)和大于胎龄儿(OR,12.92(95% CI,2.59–64.59);P = 0.002)均具有显著的独立贡献。然而,纳入胎盘体积并未实质性改善使用母体特征和血清PAPP-A所达到的SGA总体筛查性能(AUC,0.692(95% CI,0.645–0.738)vs 0.706(95% CI,0.660–0.753);P = 0.160)。
González-González等30开展了一项纳入1004例单胎妊娠的研究,使用定制参考曲线建立预测模型以识别出生体重<第10百分位的胎儿。早孕期最成功的模型以母体特征、子宫动脉搏动指数(UtA-PI)和胎盘体积作为预测因子。该模型的AUC为0.735(95% CI,0.696–0.773),显示出中等判别能力。重要的是,将胎盘体积与UtA-PI和母体特征一同纳入,凸显了将胎盘评估整合到早孕期筛查方案中的价值。
相比之下,我们的研究得益于更大的样本量,这提高了建模的精确度并增强了研究结果的稳健性。此外,我们队列的更广泛范围确保了对少数族裔群体的更好代表性以及研究结果在不同人群中的更好普适性。此外,我们使用FTPV、母体因素和早孕期生物标志物预测FGR的模型(模型3b)在AUC值方面优于既往发表的模型,但需要注意的是,该模型的外部验证超出了本项目的范围。
我们研究的一个显著优势是整合了OxNNet工具包。这一先进的基于人工智能的工具能够实现全自动胎盘分割和体积计算,使我们能够汇编比使用传统金标准手动分割所能获得的更大的数据集。此外,OxNNet工具包相较于Plasencia等和González‐González等所使用的虚拟器官计算机辅助分析(VOCAL™)方法具有明显优势,后者依赖于几何假设,可能无法准确捕捉胎盘的不规则形状,尤其是在妊娠早期29, 30, 31。研究表明,妊娠早期胎盘形状存在显著变异,这可能导致使用手动或基于几何方法进行体积估计时出现不准确32。通过解决这些局限性,OxNNet工具包提高了胎盘体积测量的准确性和效率。我们的研究还通过实施严格的胎盘成像和分割质量控制措施得到了加强。这些严格的方案确保了模型中使用的胎盘体积评估的准确性和可靠性,提高了我们研究结果的稳健性和可信度。
在本研究中,FGR的定义与Plasencia等29和González‐González等30不同,后者分别使用了基于人群图表的出生体重<第5百分位和基于定制图表的<第10百分位。我们采用了<第3百分位的更严格阈值,以确保所识别的病例代表真正的FGR,而非体质性偏小。然而,仅依赖这一阈值可能排除了部分出生体重≥第3百分位的真正FGR病例。为解决这一局限性,当产前检测到多普勒指标异常时,我们也纳入了出生体重<第10百分位的病例,此时体质性偏小不太可能。与既往研究相比,这种联合方法提供了更稳健、更全面的FGR定义。尽管如此,该定义可能涵盖非胎盘原因所致的FGR病例,不过排除胎儿染色体异常和重大结构异常有助于减轻这一顾虑。
出生体重与出生时胎盘重量之间的既定关系,在将胎盘体积纳入FGR预测模型时存在共线性的潜在可能。这是因为,即使在妊娠早期,低胎盘体积可能已经是FGR的替代标志物。然而,FTPV Z评分是相对于CRL得出的,因此并非胎盘大小的绝对测量值,而是相对于给定胎儿大小的预期胎盘发育的偏离指数。这一区别至关重要:它将FTPV转化为一个具有生物学意义的胎盘不成比例生长标志物,我们已证明其与FGR风险增加强烈相关。因此,纳入FTPV Z评分增强了FGR的预测,而非混淆模型。我们还发现FTPV Z评分与其他模型组分之间没有强关联,提示多重共线性不太可能影响模型稳定性。
本研究的一个局限性在于其依赖简单回归模型,且缺乏更严格的内部验证策略。虽然我们的方法与本文所述目标高度一致,但开发旨在临床应用的模型将受益于内部验证技术,如自举法或交叉验证,以增强稳健性和泛化能力。
另一个局限性是我们的模型未对阿司匹林使用进行调整。有证据表明低剂量阿司匹林可预防胎儿生长受限(FGR)33,因此本研究中模型和个体标志物的预测能力可能被低估。这并不影响我们结论的有效性,但在拟议的未来开发纳入胎儿胎盘体积(FTPV)预测FGR的确定性模型时,这是一个重要的考虑因素。这些模型将需要在更大数据集上进行稳健的外部验证,并需要探索校准指标、临床决策阈值和决策曲线分析,以确立其临床实用性。
总之,本研究表明FTPV百分位数是FGR的预测因子,并强调了将FTPV纳入FGR预测模型的价值。用于自动测量胎盘体积的OxNNet工具包的开发代表早孕期胎盘超声检查的重大进步,并为FTPV在人群水平筛查中的应用开辟了可能性,但前提是预测模型的进一步改进和外部验证。我们的发现支持将高级胎盘评估整合到早孕期筛查方案中,具有改善FGR识别和管理的潜力。
支持信息
表S1 超声机器设置。
表S2 预测血压正常胎儿生长受限的模型性能。
表S3 预测早产胎儿生长受限的模型性能。
附录S1 预测胎儿生长受限的模型摘要。
附录S2 包含预测胎儿生长受限模型的RData文件。
图S1 预测血压正常胎儿生长受限模型的受试者工作特征曲线。
图S2 预测早产胎儿生长受限模型的受试者工作特征曲线。
引用
- Mathewlynn S, Starck LN, Wright D, et al. First-trimester Placental Ultrasound (FirstPLUS) study: prediction of fetal growth restriction using OxNNet-derived first-trimester placental volume. Ultrasound Obstet Gynecol. 2025. PMID: 41351882. doi:10.1002/uog.70146
- 全文:PMC12757825(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12757825/
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。