基于常规纵向实验室数据的妊娠相关血小板微血管栓塞预测的可解释机器学习
机器学习
2026-05-14 v1
摘要
背景：妊娠相关血小板微血管栓塞（P-TMA）虽罕见却致命。妊娠前早期风险预测仍具挑战，因为相关实验室异常指标微弱、多维且常被妊娠低血小板症和妊娠性蛋白尿等常见生理变化掩盖，从而与良性妇科和肾脏疾病大量重叠。此复杂性难以被单变量或规则方法捕捉，但机器学习可从纵向临床检验中提取潜在时序风险特征。方法：本回顾性研究纳入 300 例妊娠，包括 142 例 P-TMA 患者和 158 例对照组。剔除标识符和无信息变量后，保留 146 项纵向实验室预测因子。将受试者按比例分为训练队列（80%）和保留测试队列（20%）。评估 5 种算法：逻辑回归、径向基函数核支持向量机、随机森林、极端树和梯度提升。最终模型通过训练队列的平均交叉验证 AUROC 筛选，随后在完整训练队列上重新拟合，在保留测试队列上评估一次。解释性分析检验全局特征重要性和主要预测因子的分布模式。结果：梯度提升在训练队列中实现交叉验证确定。模型在保留测试队列中达到 AUROC 为 0.872（95% 置信区间：0.769-0.952），AUPRC 为 0.883（95% 置信区间：0.780-0.959），灵敏度为 0.750，特异度为 0.812。结论：妊娠期常规临床实验室检测包含可提供 P-TMA 风险的有信息且临床可信信号。值得注意的是，6 周的胰蛋白酶 C 作为早期监测指标显示潜力。
关键词
引用
@article{arxiv.2605.13786,
title = {Interpretable Machine Learning for Antepartum Prediction of Pregnancy-Associated Thrombotic Microangiopathy Using Routine Longitudinal Laboratory Data},
author = {Chuanchuan Sun and Zhen Yu and Qin Fan and Qingchao Chen and Feng Yu},
journal= {arXiv preprint arXiv:2605.13786},
year = {2026}
}