结合临床与超声影像多模态数据构建小于胎龄儿预测模型

Abstract

目的探索结合妊娠早期和妊娠中期的临床数据与超声影像多模态数据对小于胎龄儿（SGA）的预测价值，构建和内部验证基于多种机器学习算法的SGA 预测模型。方法本研究回顾性纳入单胎妊娠孕妇1 307例，根据INTERGROWTH-21st胎儿生长标准诊断SGA并采集包括临床一般资料、生化检验数据及产前超声筛查数据的多模态数据。轻度梯度增强算法（XGBoost）用于计算变量重要性，七种机器学习算法用于预测模型的构建与内部验证，受试者工作特性曲线下面积（AUC）作为衡量预测效能的主要指标，结合10%假阳性率下的灵敏度进行模型间比较。结果基于临床一般资料与生化检验数据构建的最优预测模型AUC为0.70 ， 95%CI （0.609， 0.791），灵敏度为0.38 ， 95%CI （0.236， 0.519）。基于产前超声筛查数据构建的最优预测模型效能优于前者，其AUC为0.77 ， 95%CI （0.687， 0.858），灵敏度为0.62 ， 95%CI （0.457， 0.743）。两个数据集合并组成多模态临床数据集，其最佳预测模型效能进一步提升，AUC为0.91 ， 95%CI （0.851， 0.972），灵敏度为0.88 ， 95%CI （0.745， 0.947），且模型校准显示拟合优度佳。结论本研究采用机器学习算法充分地探索了妊娠早期结合妊娠中期的不同类型临床数据对SGA的预测价值，证明了多模态临床数据用于SGA的筛查的绝对优势，为孕妇个体化管理提供准确且有效的参考依据。

Keywords

• 小于胎龄儿;预测模型;机器学习;妊娠早期;妊娠中期