机器学习模型预测孕产妇静脉血栓形成风险的效能
李俊林
陈雅雪
王娟
解琳琳
乌鲁木齐市妇幼保健院产科(新疆乌鲁木齐 830001)
摘要：目的 探索机器学习模型对孕产妇静脉血栓形成风险的应用价值.方法 选择2018年1月至2024年12月间于乌鲁木齐市妇幼保健院产科进行孕检的单胎孕妇1 580例,将纳入研究孕产妇按7∶3比例随机分为训练集和测试集,根据训练集内孕产妇是否发生静脉血栓分为静脉血栓组和非静脉血栓组.应用机器学习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,比较不同模型的准确率.分析各指标在机器学习模型中的重要性,以机器学习模型和logistic回归模型分别对测试集孕产妇进行预测,应用ROC曲线分析模型的临床效能.结果 纳入研究的1 580例孕妇中被确诊为静脉血栓的孕产妇为395例,静脉血栓的发生率为25.00％.两组孕产妇的剖宫产、体质指数(BMI)、三酰甘油(TG)、低密度脂蛋白胆固醇(LDL-C)、总胆固醇(TC)、D-二聚体(D-D)、凝血酶-抗凝血酶复合物(TAT)、纤溶酶-α-2-纤溶酶抑制剂复合物(PIC)、组织型纤溶酶原激活物/纤溶酶原激活物抑制剂-1复合物(t-PAIC)、可溶性血栓调节蛋白(sTM)比较,差异有统计学意义(P＜0.05).相关性分析显示,BMI、剖宫产、TG、LDL-C、TC、D-D、TAT、PIC、t-PAIC和sTM等指标与孕产妇静脉血栓形成风险的相关性较高,而各指标之间的相关性均较低.共通过机器学习算法构建了 8类14个模型,其中神经网络模型在训练和验证中的准确率最高.D-D、t-PAIC、PIC、sTM等指标的重要性较高,TAT、LDL-C、年龄、剖宫产、BMI、TG、APTT、FIB、TC、血小板计数、血红蛋白和PT重要性较低.机器学习模型预测孕产妇静脉血栓形成风险的AUC显著高于logistic回归模型(0.999 和 0.752).结论 BMI、剖宫产、TG、LDL-C、TC、D-D、TAT、PIC、t-PAIC 和 sTM 等因素与孕产妇静脉血栓形成风险具有一定相关性,基于孕产妇相关指标构建的机器学习模型对静脉血栓形成风险具有较高的预测价值.
关键词：机器学习模型孕产妇静脉血栓形成效果
分类号：R714.25(产科学)R446(诊断学)
资助基金：新疆维吾尔自治区自然科学基金(2018D01C429)
论文发表日期：2025-11-15
在线出版日期：2026-01-06（本平台首次上网日期，不代表文献的发表时间）
页数：6( 1614-1619 )
英文信息