基于机器学习方式构建与血浆蛋白Z相关的妊娠期高血压预测模型

摘要

目的 筛选妊娠期高血压疾病(HDP)发病的相关因素，并构建基于机器学习算法的预测模型。方法 收集乌鲁木齐市妇幼保健院(乌鲁木齐市友爱医院)2025年6月至10月就诊的单胎妊娠孕妇的临床资料及血清，检测血清中血浆蛋白Z(PROZ),蛋白Z依赖蛋白酶抑制剂(ZPI),血浆蛋白S(PS),胎盘生长因子(PIGF),依据是否诊断HDP,分为正常妊娠组(n=121)和HDP组(n=81)。随机抽取70%作为训练集构建模型(n=142),30%作为验证集进行验证(n=60)。采用四步法特征筛选策略：相关性过滤、单因素Logistic回归、多重共线性检验及Bootstrap LASSO稳定性分析筛选核心预测因子，利用机器学习算法构建Logistic回归(LR)、决策树(CART)、随机森林(RF)、XGBoost、K近邻(KNN)、支持向量机(SVM)6种预测模型，采用5折交叉验证和独立验证集评估模型性能，并通过SHAP分析进行模型可解释性评估。结果 共纳入35项指标，经过四步特征筛选，确定PROZ、PIGF、孕周、BMI、PS为核心预测指标。利用所选特征指标，基于机器学习算法构建上述6种HDP发病预测模型，通过对验证集进行验证得到了不同模型的AUC和准确度，灵敏度。其中XGBoost模型的AUC 0.877(95%CI:0.789～0.966),准确率78.3%,特异性88.9%,为最佳模型。结论 基于XGBoost模型机器学习算法构建的HDP预测模型具有良好的预测效能，可为临床早期识别高危孕妇提供辅助决策参考。

关键词

血浆蛋白Z / 妊娠期高血压疾病 / 机器学习

基金资助

新疆维吾尔自治区自然科学基金(2022D01F80)