一种妊娠早中期子痫前期预测模型制造技术

本发明专利技术涉及一种妊娠早中期子痫前期预测模型，包括以下步骤：S1、病例样本数据采集；S2、候选预测变量；S3、样本特征缺失值分析；S4、候选预测变量筛选；S5、线性假设检验；S6、预测模型建立；S7、模型回归诊断；S8、模型预测能力评估与内部验证；S9、预测模型呈现；S10、预测模型外部验证；其优点表现在：本发明专利技术通过LASSO回归和向后逐步回归多因素Logistic回归分析对子痫前期预测变量进行筛选，以模型区分度最佳、预测变量尽可能少为标准，确定最终进入子痫前期预测模型的变量和回归模型表达式，进而构建子痫前期Logistic预测模型，进而能够在早中孕期对子痫前期的发生风险进行预测，并实现预测模型、预测风险的可视化，为临床决策提供参考和便利。和便利。和便利。

【技术实现步骤摘要】
一种妊娠早中期子痫前期预测模型


[0001]本专利技术涉及子痫前期发病预测
，具体地说，是一种妊娠早中期子痫前期预测模型。

技术介绍

[0002]子痫前期是妊娠期高血压疾病的一种，是妊娠20周后出现的症状复杂多变的对孕妇和胎儿危害性很高的一种综合症，临床表现为孕妇血压升高并伴随有一种或多种器官/系统的异常，例如蛋白尿、肾功能异常及肝功能损伤等。子痫前期是导致孕妇死亡的第二大原因，每年发病人数大约为850万，其发病原因至今尚不清楚，可能涉及到母体、胎盘和胎儿等多种因素。在所有孕期中，孕早期的预测尤为重要，提前预测子痫前期风险，对于疾病治疗和减少患者经济负担具有重大意义。
[0003]而根据2010年NICE妊娠期高血压疾病指南，母体危险因素可以用于识别高风险人群，在临床实践中运用起来经济方便，但是对于子痫前期的预测效果不佳。该方法在假阳性率为10.3％的基础上，对早产型和足月型子痫前期的检出率(灵敏度)分别为39％和34％。单一生物学指标均没有较强预测能力，2019年FIGO提出的联合预测方案，结合母体危险因素与生物学指标(MAP、UtA
‑
PI、PAPP
‑
A、PlGF)的联合预测模型可以在10％的假阳性率的基础上，使早发型、早产型和足月型子痫前期的检出率提高至90％、75％～77％和41％～47％。就该模型而言，血清学指标在临床上的推广应用受限于检测技术及较高的成本，缺乏相关的亚洲人群大样本数据，对发病率更高的晚发型子痫前期的预测能力相对不足。通过检索已发表的文章和中国临床试验注册中心，目前国内仅有少数医疗单位对这一预测算法进行外部验证的临床研究的注册，尚无以中国人群为基础的妊娠早中期子痫前期预测模型。
[0004]母体危险因素与生物学指标联合预测能力的差异与人群的选择、子痫前期发病机制的异质性以及统计模型的选择都有关联。我们希望找到能够代表疾病病理生理过程的、在临床表现出现前可检测出的、经济便捷且具有良好区分度的新的预测指标。
[0005]检索目前现有专利并未发现有与之类似的专利。
[0006]所以综上所述现亟需要一种能够在早中孕期对子痫前期的发生风险进行预测，并实现预测模型、预测风险的可视化，为临床决策提供参考和便利的妊娠早中期子痫前期预测模型，但是关于这种妊娠早中期子痫前期预测模型，目前还未见报道。

技术实现思路

[0007]本专利技术的目的是解决上述中所存在的问题，对此特提供一种妊娠早中期子痫前期预测模型。
[0008]为实现上述目的，本专利技术采取的技术方案是：
[0009]一种妊娠早中期子痫前期预测模型，包括以下步骤：S1、病例样本数据采集；S2、候选预测变量；S3、样本特征缺失值分析；S4、候选预测变量筛选；S5、线性假设检验；S6、预测
模型建立；S7、模型回归诊断；S8、模型预测能力评估与内部验证；S9、预测模型呈现；S10、预测模型外部验证。
[0010]在上述所述的妊娠早中期子痫前期预测模型中，作为一个优选方案，所述的病例样本数据采集规范建卡、定期产检并于妊娠20周后分娩1211例，其设置病例组571例，对照组640例。
[0011]在上述所述的妊娠早中期子痫前期预测模型中，作为一个优选方案，所述的候选预测变量设置为27个，其分别为孕妇年龄、孕产次、胎儿数目、怀孕方式、末次妊娠间隔、建卡时BMI、是否存在子痫前期相关病史、是否存在高血压家族史、是否存在慢性肝病史、是否存在慢性肾病史、是否存在慢性高血压史、是否存在糖尿病史、是否存在胎盘早剥史、建卡时收缩压、建卡时舒张压、建卡平均动脉压、血清总胆固醇、甘油三酯、高密度脂蛋白、低密度脂蛋白、载脂蛋白
‑
A、载脂蛋白
‑
B、糖化血红蛋白、白蛋白、尿酸、D
‑
二聚体、FDP。
[0012]在上述所述的妊娠早中期子痫前期预测模型中，作为一个优选方案，通过LASSO回归对候选预测变量进行初筛；并通过交叉验证找到能使回归模型平均误差最小的调优参数λ值，取该值对应的模型中的变量进入多因素Logistic回归分析。
[0013]在上述所述的妊娠早中期子痫前期预测模型中，作为一个优选方案，所述的线性假设检验还包括变量变换和交互作用，其所述的变量变换包括通过Box
‑
Tidwell函数对预测变量变换的幂数(设为λ)进行最大似然估计，对纳入分析的所有变量进行Bonferroni校正，校正显著性水平为0.005；所述的交互作用包括对Logistic回归模型的预测变量是否存在相乘和相加交互作用进行检验。
[0014]在上述所述的妊娠早中期子痫前期预测模型中，作为一个优选方案，所述的预测模型建立包括对候选预测变量进行单因素和逐步向后多因素Logistic回归分析。
[0015]在上述所述的妊娠早中期子痫前期预测模型中，作为一个优选方案，所述的模型回归诊断包括对Logistic回归进行多重共线性假设检验，其计算方差膨胀因子VIF，VIF>4表明存在多重共线性问题；且子痫前期模型所有的变量VIF值均<4，没有证据支持预测变量之间存在多重共线性。
[0016]在上述所述的妊娠早中期子痫前期预测模型中，作为一个优选方案，所述的模型预测能力评估与内部验证包括构建子痫前期预测模型的ROC曲线、校准曲线、Brier分数和DCA，对拟合的模型进行区分度和校准度的预测能力评估，以及临床价值评估；其使用Bootstrap自助法对子痫前期预测模型的AUC、Brier分数和DCA进行内部验证。
[0017]在上述所述的妊娠早中期子痫前期预测模型中，作为一个优选方案，根据对模型进行能力评估和内部验证之后，确认模型为预测能力良好的模型，并绘制子痫前期疾病预测模型的列线图Nomogram，反映每个预测变量对结局变量的影响程度。
[0018]在上述所述的妊娠早中期子痫前期预测模型中，作为一个优选方案，所述的预测模型外部验证包括对子痫前期预测模型在高龄孕妇群体中进行外部验证，其外部验证指标包括区分度和校准度。
[0019]本专利技术优点在于：
[0020]1、本专利技术中所提出了一种基于Logistic回归方法，能够在早中孕期对子痫前期的发生风险进行预测，其相比基于母体危险因素的传统预测方法(NICE及ACOG指南推荐)更加准确，较2019年FIGO提出的联合预测方案所需预测指标更加常见易得。
[0021]2、本专利技术还根据风险分层表，设置了具体的风险阈值，为临床界定高危人群提供依据，绘制列线图Nomogram提高临床操作便捷度，利于模型的临床推广。
[0022]3、本专利技术中构建模型的完整度较高，运用LASSO回归筛选变量，探索了变量之间的交互作用，针对Logistic回归假设进行分别验证，对模型进行完善的评估与验证，使得模型的可靠度、真实性较高。
附图说明
[0023]附图1
‑‑
1是本专利技术中所述种妊娠早中期子痫本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种妊娠早中期子痫前期预测模型，其特征在于，包括以下步骤：S1、病例样本数据采集；S2、候选预测变量；S3、样本特征缺失值分析；S4、候选预测变量筛选；S5、线性假设检验；S6、预测模型建立；S7、模型回归诊断；S8、模型预测能力评估与内部验证；S9、预测模型呈现；S10、预测模型外部验证。2.根据权利要求1所述的妊娠早中期子痫前期预测模型，其特征在于，所述的病例样本数据采集包括规范建卡、定期产检并于妊娠20周后分娩1211例，其设置病例组571例，对照组640例。3.根据权利要求1所述的妊娠早中期子痫前期预测模型，其特征在于，所述的候选预测变量设置为27个，其分别为孕妇年龄、孕产次、胎儿数目、怀孕方式、末次妊娠间隔、建卡时BMI、是否存在子痫前期相关病史、是否存在高血压家族史、是否存在慢性肝病史、是否存在慢性肾病史、是否存在慢性高血压史、是否存在糖尿病史、是否存在胎盘早剥史、建卡时收缩压、建卡时舒张压、建卡平均动脉压、血清总胆固醇、甘油三酯、高密度脂蛋白、低密度脂蛋白、载脂蛋白
‑
A、载脂蛋白
‑
B、糖化血红蛋白、白蛋白、尿酸、D
‑
二聚体、FDP。4.根据权利要求3所述的妊娠早中期子痫前期预测模型，其特征在于，通过LASSO回归对候选预测变量进行初筛；并通过交叉验证找到能使回归模型平均误差最小的调优参数λ值，取该值对应的模型中的变量进入多因素Logistic回归分析。5.根据权利要求1所述的妊娠早中期子痫前期预测模型，其特征在于，所述的线性假设检验还包括变量变换和交互作用，其所述的变量变换包括通过Box
‑

【专利技术属性】
技术研发人员：余忆，顾蔚蓉，刘海燕，彭婷，李笑天，骆守玲，裴江南，王诚洁，
申请(专利权)人：复旦大学附属妇产科医院，
类型：发明
国别省市：