早發型子癇前期不良妊娠結局預測模型的構建與驗證研究一、引言1.1研究背景與意義早發型子癇前期（early-onsetpreeclampsia，EOPE）作為妊娠期高血壓疾病的一種嚴重類型，是指在妊娠34周前發病，以高血壓、蛋白尿為主要臨床表現，可伴有全身多臟器功能損害的綜合征。其發病率雖因地域、種族及診斷標準不同而存在差異，但總體約占妊娠總數的1%-2%，卻是導致孕產婦及圍生兒發病和死亡的重要原因之一。EOPE對母嬰健康構成嚴重威脅。在孕產婦方面，可引發一系列嚴重并發癥，如胎盤早剝、心力衰竭、肺水腫、急性腎衰竭、腦出血等。其中，胎盤早剝是極為兇險的并發癥，由于胎盤從子宮壁分離，可導致嚴重的出血，危及孕婦生命，同時也會使胎兒失去氧氣和營養供應，增加胎兒窘迫和死亡的風險。心力衰竭和肺水腫則會影響孕婦的心肺功能，導致呼吸困難、乏力等癥狀，嚴重時可致呼吸循環衰竭。急性腎衰竭可使孕婦體內的代謝廢物無法正常排出，引發水電解質紊亂和酸堿平衡失調，進一步加重病情。腦出血更是可能導致孕婦昏迷、偏癱甚至死亡。相關研究表明，早發型子癇前期患者發生嚴重并發癥的風險是正常孕婦的數倍甚至數十倍。對圍生兒而言，EOPE會顯著增加早產、胎兒生長受限（FGR）、胎兒窘迫、新生兒窒息、新生兒死亡等不良結局的發生風險。早產是早發型子癇前期常見的并發癥之一，由于病情的發展，常常需要提前終止妊娠，導致胎兒過早出生。早產兒各器官發育不成熟，出生后易發生呼吸窘迫綜合征、顱內出血、感染等多種并發癥，嚴重影響其生存質量和遠期預后。FGR是由于胎盤功能受損，胎兒無法獲得足夠的營養和氧氣，導致生長發育遲緩，出生后體重低于同孕周胎兒的正常范圍，這類新生兒在成年后也更容易患心血管疾病、代謝性疾病等。胎兒窘迫則是由于胎兒在宮內缺氧，可導致胎兒心率異常、胎動減少等，若不及時處理，可引起新生兒窒息，甚至造成永久性的神經系統損傷。有數據顯示，早發型子癇前期孕婦所分娩的圍生兒，其死亡率可高達10%-30%，存活者也可能面臨各種遠期健康問題。目前，臨床上對于早發型子癇前期的治療手段相對有限。主要以控制血壓、解痙、鎮靜等對癥治療為主，同時密切監測母兒情況，適時終止妊娠是最有效的治療措施。然而，過早終止妊娠會導致早產相關并發癥的增加，而期待治療又可能使孕婦病情惡化，對母兒造成更大的危害。因此，如何在保障孕婦安全的前提下，盡可能延長孕周，改善圍生兒結局，是臨床面臨的一大挑戰。構建準確可靠的早發型子癇前期不良妊娠結局預測模型具有重要的現實意義。通過對孕婦的病史、臨床特征、實驗室檢查指標等多因素進行綜合分析，建立預測模型，可以在疾病發生早期識別出高風險孕婦，為臨床醫生提供更有針對性的干預策略。對于預測為高風險的孕婦，醫生可以加強監測，提前做好各項準備工作，如轉至醫療條件更好的醫院、做好新生兒搶救準備等；同時，也可以根據預測結果，制定個性化的治療方案，如合理使用藥物、適時終止妊娠等，從而降低不良妊娠結局的發生風險，提高母嬰的生存質量和健康水平。此外，預測模型的建立還有助于深入了解早發型子癇前期的發病機制和危險因素，為疾病的預防和治療提供新的思路和方法。1.2國內外研究現狀在國外，早發型子癇前期不良妊娠結局相關因素的研究起步較早且較為深入。學者們通過大規模的臨床研究和數據分析，發現了諸多與不良妊娠結局密切相關的因素。例如，孕婦的基礎疾病如慢性高血壓、糖尿病、慢性腎病等，被證實會顯著增加早發型子癇前期患者不良妊娠結局的發生風險。一項在歐美多個國家開展的多中心研究表明，患有慢性高血壓的早發型子癇前期孕婦，其發生胎盤早剝、胎兒生長受限等嚴重并發癥的概率比無慢性高血壓的孕婦高出數倍。這是因為慢性高血壓會導致孕婦血管內皮細胞損傷，影響胎盤的血液灌注，進而影響胎兒的生長發育。此外，孕婦的年齡、種族、肥胖等因素也備受關注。研究發現，高齡孕婦（年齡≥35歲）由于身體機能下降，內分泌和代謝系統發生改變，患早發型子癇前期的風險增加，且不良妊娠結局的發生率也相應升高。不同種族之間早發型子癇前期的發病率和不良妊娠結局存在差異，非洲裔孕婦的發病率相對較高，不良妊娠結局的風險也更大，這可能與遺傳因素、生活環境及社會經濟狀況等多種因素有關。肥胖孕婦體內脂肪堆積，會引起一系列代謝紊亂，如胰島素抵抗、炎癥反應增加等，這些因素都可能參與早發型子癇前期的發病過程，導致不良妊娠結局的發生。在預測模型方面，國外學者運用多種先進的統計學方法和機器學習算法構建了眾多預測模型。其中，一些經典的模型如基于孕婦特征、病史、平均動脈壓（MAP）、子宮動脈搏動指數（UtA-PI）、胎盤分泌因子妊娠相關血漿蛋白-A（PAPP-A）、胎盤生長因子（PLGF）等指標構建的多因素模型，在臨床研究中取得了一定的預測效果。一項在英國進行的研究，納入了數千例孕婦的數據，通過對上述指標的綜合分析，建立了預測早發型子癇前期不良妊娠結局的模型，該模型在內部驗證中顯示出較高的敏感度和特異度，能夠較好地識別出高風險孕婦。然而，這些模型在實際應用中仍存在一些局限性。一方面，部分模型所依賴的指標獲取較為復雜，如子宮動脈搏動指數需要專業的超聲設備和技術人員進行測量，這在一些醫療資源相對匱乏的地區難以廣泛開展；另一方面，模型的外部驗證效果往往不如內部驗證理想，不同地區、不同人群的數據差異可能導致模型的預測準確性下降。此外，模型中部分指標的臨界值確定缺乏統一標準，不同研究之間存在差異，這也給臨床應用帶來了一定的困惑。在國內，對于早發型子癇前期不良妊娠結局相關因素的研究也在不斷深入。眾多學者通過回顧性分析大量臨床病例，發現除了上述國外研究中提及的因素外，孕婦的孕期保健情況、社會心理因素等也對不良妊娠結局有重要影響。例如，孕期產檢次數不足、未按時進行規范產檢的孕婦，由于不能及時發現和處理孕期異常情況，早發型子癇前期的漏診和誤診率相對較高，從而增加了不良妊娠結局的發生風險。同時，孕婦在孕期面臨的心理壓力，如焦慮、抑郁等情緒，會影響神經內分泌系統的平衡，導致血管收縮功能異常，也可能與早發型子癇前期的發病及不良妊娠結局有關。在預測模型構建方面，國內學者也做出了積極的努力。一些研究結合國內孕婦的特點和臨床實際情況，嘗試建立適合國內人群的預測模型。例如，有研究將中醫體質辨識與傳統的臨床指標相結合，探索構建新的預測模型。中醫認為，人體的體質類型與疾病的發生發展密切相關，通過對孕婦的中醫體質進行辨識，如陽虛質、陰虛質、痰濕質等，再結合血壓、蛋白尿等臨床指標，可以更全面地評估孕婦的發病風險。然而，目前國內的預測模型研究仍處于發展階段，大部分模型還需要進一步的外部驗證和優化，以提高其臨床應用價值。綜合國內外研究現狀，雖然在早發型子癇前期不良妊娠結局相關因素及預測模型方面取得了一定的成果，但仍存在諸多不足之處。一方面，對于相關因素的研究還不夠全面和深入，一些潛在的危險因素尚未被充分挖掘，不同因素之間的相互作用機制也有待進一步闡明。另一方面，現有的預測模型普遍存在準確性和穩定性有待提高的問題，缺乏能夠在臨床廣泛應用且具有高度可靠性的預測模型。因此，深入研究早發型子癇前期不良妊娠結局的相關因素，構建更加準確、可靠、實用的預測模型，仍然是當前婦產科領域亟待解決的重要課題。1.3研究目的與創新點本研究旨在深入剖析早發型子癇前期不良妊娠結局的相關因素，運用先進的統計學方法和數據分析技術，構建出高效、準確的預測模型，為臨床早期識別高風險孕婦、制定個性化干預策略提供有力的工具和科學依據。具體而言，通過收集大量早發型子癇前期患者的詳細臨床資料，包括病史、臨床特征、實驗室檢查指標等，篩選出對不良妊娠結局具有顯著影響的獨立危險因素。在此基礎上，利用多因素Logistic回歸分析、機器學習算法等方法，建立預測模型，并對模型的性能進行全面評估和驗證，確保其具有較高的敏感度、特異度和準確性。本研究的創新點主要體現在以下幾個方面：一是在影響因素的選擇上，不僅考慮了傳統的臨床因素，如孕婦年齡、基礎疾病、血壓、蛋白尿等，還納入了一些新的潛在影響因素，如孕婦的心理狀態、生活方式、基因多態性等。近年來，越來越多的研究表明，心理壓力、焦慮抑郁等情緒問題以及不良的生活方式，如缺乏運動、高鹽高脂飲食等，可能與早發型子癇前期的發病及不良妊娠結局密切相關。而基因多態性則從遺傳角度揭示了個體對疾病的易感性差異。通過綜合分析這些因素，可以更全面地了解早發型子癇前期不良妊娠結局的發生機制，提高預測模型的準確性。二是在建模方法上，采用了機器學習中的多種算法，如支持向量機（SVM）、隨機森林（RF）、神經網絡（NN）等，并與傳統的統計學方法進行對比分析。機器學習算法具有強大的非線性建模能力和數據處理能力，能夠自動學習數據中的復雜模式和規律，在處理高維數據和復雜關系時具有明顯優勢。通過將不同算法應用于早發型子癇前期不良妊娠結局的預測模型構建中，可以充分發揮各種算法的優勢，找到最適合的建模方法，提高模型的預測性能和穩定性。同時，通過對比不同算法的結果，也可以深入了解各種算法的特點和適用范圍，為今后相關研究提供參考。三是在模型驗證方面，采用了內部驗證和外部驗證相結合的方式，并運用了多種驗證指標，如受試者工作特征曲線（ROC）下面積、校準曲線、Hosmer-Lemeshow檢驗等。內部驗證可以評估模型在訓練數據集上的性能，而外部驗證則使用獨立的數據集對模型進行驗證，更能反映模型在實際應用中的可靠性和泛化能力。多種驗證指標的綜合使用，可以從不同角度全面評估模型的性能，確保模型的準確性和有效性。此外，本研究還將對模型進行臨床實用性評估，分析模型在實際臨床應用中的可行性和價值，為模型的推廣和應用提供依據。二、早發型子癇前期及不良妊娠結局概述2.1早發型子癇前期的定義與診斷標準早發型子癇前期是妊娠期高血壓疾病的特殊類型，其定義在國內外婦產科領域具有明確且統一的界定。根據《婦產科學》第九版的權威闡述，早發型子癇前期是指在妊娠34周前發病的子癇前期。這一時期的胎兒各器官發育尚未成熟，對母體的生理變化更為敏感，早發型子癇前期的出現會顯著增加母嬰不良結局的風險，因此其早期診斷和干預尤為關鍵。早發型子癇前期的診斷標準基于多方面的臨床指標，這些指標相互關聯，共同為疾病的準確診斷提供依據。在血壓方面，必須滿足妊娠20周后收縮壓≥140mmHg和（或）舒張壓≥90mmHg。這一血壓閾值的設定并非隨意為之，而是經過大量臨床研究和實踐驗證得出的。血壓升高是子癇前期的重要特征之一，它反映了孕婦體內血管系統的異常變化，這種變化會影響胎盤的血液灌注，進而影響胎兒的生長發育。在實際臨床操作中，需要多次測量血壓，以確保結果的準確性。一般要求間隔4-6小時以上測量兩次血壓，若均達到上述標準，方可診斷。尿蛋白也是重要的診斷指標，表現為尿蛋白定量≥0.3g/24h，或尿蛋白/肌酐比值≥0.3，或隨機尿蛋白≥（+）。尿蛋白的出現意味著腎臟的濾過功能受到損害，這是子癇前期導致全身小血管痙攣，進而影響腎臟血液供應的結果。腎臟是人體重要的排泄器官，其功能受損會導致體內代謝廢物和多余水分無法正常排出，進一步加重孕婦的病情。不同的尿蛋白檢測方法各有特點，24小時尿蛋白定量能夠較為準確地反映一天內尿蛋白的排泄總量，但操作相對繁瑣，需要患者留取24小時的尿液樣本；尿蛋白/肌酐比值則更為便捷，可在單次尿液檢測中獲得，能在一定程度上反映尿蛋白的排泄情況；隨機尿蛋白檢測簡單快速，但準確性相對較低，容易受到多種因素的干擾。當孕婦出現無蛋白尿但伴有以下任何1種器官或系統受累的情況時，同樣可診斷為早發型子癇前期。在血液系統方面，血小板計數會出現持續性下降，低于100×10?/L，這是由于血管內皮損傷，血小板在破損的血管處聚集、消耗，導致數量減少。血管內溶血也是常見的表現，可出現貧血、黃疸癥狀，同時血乳酸脫氫酶（LDH）升高，這是因為紅細胞破裂后，細胞內的LDH釋放到血液中，導致其水平升高。在神經系統，患者可能出現持續性頭痛，這是由于腦血管痙攣，導致腦組織缺血、缺氧，刺激神經末梢引起的；視覺障礙，如視物模糊、復視等，是因為視網膜血管痙攣或水腫，影響了視覺信號的傳導。在肝臟方面，肝功能異常表現為谷丙轉氨酶（ALT）或谷草轉氨酶（AST）水平升高，這是肝細胞受損的標志，肝臟的代謝和解毒功能受到影響。腎臟功能異常時，會出現少尿癥狀，24小時尿量小于400ml或者每小時尿量小于17ml，血肌酐大于106μmol/L，這表明腎臟的濾過和排泄功能嚴重受損。在心血管系統，可能出現心衰、肺水腫，這是由于心臟負荷過重，心肌收縮力下降，導致肺部淤血，影響氣體交換，患者會出現呼吸困難、咳嗽、咳痰等癥狀。在胎盤-胎兒方面，會出現胎兒生長受限，這是因為胎盤血液灌注不足，胎兒無法獲得足夠的營養和氧氣，導致生長發育遲緩；羊水過少，羊水是胎兒生存的重要環境，羊水過少會增加胎兒窘迫的風險。這些器官或系統受累的表現往往相互影響，形成惡性循環，嚴重威脅母嬰的生命健康。2.2不良妊娠結局的類型與危害早發型子癇前期可引發多種不良妊娠結局，這些結局對母嬰健康造成了嚴重的危害，是婦產科領域重點關注的問題。早產是早發型子癇前期常見的不良妊娠結局之一。由于早發型子癇前期導致孕婦病情的復雜性和嚴重性，常常需要提前終止妊娠，以保障孕婦的生命安全。然而，這也使得胎兒過早出生，面臨諸多生存挑戰。早產兒的器官發育尚未成熟，尤其是肺部、腦部等重要器官。肺部發育不全可導致呼吸窘迫綜合征，這是早產兒最常見的呼吸系統疾病，表現為出生后不久出現進行性呼吸困難、呻吟、發紺等癥狀。由于肺泡表面活性物質缺乏，肺泡無法正常擴張，氣體交換受阻，嚴重影響早產兒的呼吸功能。據統計，在早產兒中，呼吸窘迫綜合征的發生率可高達30%-50%，是導致早產兒死亡和遠期呼吸系統疾病的重要原因之一。腦部發育不成熟則增加了顱內出血的風險，顱內出血可導致早產兒神經系統受損，遺留腦癱、智力低下等嚴重后遺癥。有研究表明，出生孕周越小，顱內出血的發生率越高，如孕周小于32周的早產兒，顱內出血的發生率可達到20%-40%。胎兒生長受限也是早發型子癇前期常見的并發癥。胎盤是胎兒獲取營養和氧氣的重要器官，早發型子癇前期時，胎盤血管痙攣、狹窄，導致胎盤血液灌注不足，胎兒無法獲得足夠的營養物質和氧氣，從而影響其生長發育。胎兒生長受限的新生兒出生體重低于同孕周胎兒的正常范圍，身體各器官發育也相對滯后。這類新生兒在出生后，由于身體機能較弱，容易發生感染、低血糖、低體溫等并發癥。感染是常見的威脅，由于免疫系統發育不完善，皮膚、黏膜等屏障功能較弱，病原體容易侵入體內，引發肺炎、敗血癥等嚴重感染性疾病。低血糖則是因為胎兒在宮內生長受限，糖原儲備不足，出生后又不能及時獲得足夠的營養補充，導致血糖水平過低，影響神經系統的正常功能。有研究顯示，胎兒生長受限的新生兒，其發生感染的風險是正常新生兒的3-5倍，低血糖的發生率也明顯高于正常新生兒。圍生兒死亡是早發型子癇前期最嚴重的不良妊娠結局，給家庭和社會帶來了巨大的悲痛和損失。早發型子癇前期導致的圍生兒死亡原因復雜，包括早產相關并發癥、胎兒生長受限、胎兒窘迫、新生兒窒息等。胎兒窘迫是由于胎兒在宮內缺氧，可導致胎兒心率異常、胎動減少等，若不及時處理，可引起新生兒窒息，進而導致死亡。據統計，早發型子癇前期孕婦所分娩的圍生兒，其死亡率可高達10%-30%，在一些醫療資源匱乏的地區，死亡率可能更高。存活的圍生兒也可能面臨各種遠期健康問題，如神經系統發育障礙、心血管疾病、代謝性疾病等，這些問題將嚴重影響他們的生活質量和未來發展。對孕產婦而言，早發型子癇前期引發的不良妊娠結局同樣帶來了沉重的負擔。除了心理上的巨大創傷，還可能導致一系列嚴重的身體并發癥。產后出血是常見的并發癥之一，由于早發型子癇前期患者的血管內皮損傷、凝血功能異常，在分娩后容易出現子宮收縮乏力，導致胎盤剝離面出血難以控制。產后出血可導致產婦貧血、休克，甚至危及生命。有研究表明，早發型子癇前期患者產后出血的發生率比正常產婦高出2-3倍。感染也是不容忽視的問題，產后身體虛弱，抵抗力下降，加上分娩過程中可能存在的創傷，容易引發生殖道感染、泌尿系統感染等，嚴重影響產婦的身體健康和恢復。此外，早發型子癇前期患者在未來患心血管疾病、糖尿病等慢性疾病的風險也明顯增加，這對她們的長期健康構成了潛在威脅。早發型子癇前期引發的不良妊娠結局對母嬰健康的危害是多方面、多層次的。不僅嚴重威脅到母嬰的生命安全，還可能對他們的遠期健康產生深遠的影響。因此，深入研究早發型子癇前期不良妊娠結局的相關因素，構建有效的預測模型，對于降低不良妊娠結局的發生率，保障母嬰健康具有至關重要的意義。2.3早發型子癇前期導致不良妊娠結局的病理機制早發型子癇前期引發不良妊娠結局的病理生理過程復雜，涉及多個環節和多種因素的相互作用，其中胎盤血管痙攣、缺血缺氧是核心的病理改變，這一系列變化對母嬰健康產生了深遠的影響。胎盤是維持胎兒生長發育的關鍵器官，它通過胎盤血管與母體進行物質交換和氣體交換，為胎兒提供氧氣和營養物質，同時排出代謝廢物。在早發型子癇前期中，由于孕婦體內多種因素的失衡，導致胎盤血管發生痙攣。這主要是因為血管內皮細胞受損，血管內皮細胞在正常情況下能夠分泌多種血管活性物質，維持血管的舒張和收縮平衡。然而，早發型子癇前期時，孕婦體內的炎癥反應激活，氧化應激增強，產生大量的自由基和炎癥介質，這些物質會損傷血管內皮細胞，使其功能失調。血管內皮細胞受損后，會減少一氧化氮（NO）等舒張血管物質的分泌，同時增加內皮素-1（ET-1）等收縮血管物質的釋放。ET-1是一種強效的血管收縮因子，它與血管平滑肌細胞上的受體結合，使血管平滑肌收縮，導致胎盤血管痙攣。胎盤血管痙攣使得血管管腔狹窄，血流阻力增加，進而導致胎盤缺血缺氧。胎盤缺血缺氧會引發一系列連鎖反應，對胎兒的生長發育產生嚴重影響。一方面，胎盤缺血缺氧會影響胎盤的物質交換功能，胎兒無法獲得足夠的營養物質和氧氣，導致胎兒生長受限。研究表明，早發型子癇前期患者胎盤的絨毛血管數量減少，絨毛間質纖維化，這些病理改變都進一步加重了胎盤的缺血缺氧，影響了胎兒的營養供應。另一方面，胎盤缺血缺氧會促使胎盤釋放大量的細胞因子和炎癥介質，如腫瘤壞死因子-α（TNF-α）、白細胞介素-6（IL-6）等，這些物質進入母體循環，會引起全身炎癥反應，導致孕婦出現多臟器功能損害。同時，這些炎癥介質還會通過胎盤影響胎兒，導致胎兒發生一系列并發癥，如早產、胎兒窘迫等。早產的發生與早發型子癇前期導致的胎盤缺血缺氧密切相關。胎盤缺血缺氧會激活胎盤和胎膜上的炎癥細胞，釋放前列腺素等物質，這些物質會促進子宮收縮，導致早產。此外，早發型子癇前期患者體內的腎素-血管緊張素-醛固酮系統（RAAS）失衡，血管緊張素Ⅱ水平升高，也會引起子宮血管收縮，增加子宮平滑肌的敏感性，促進早產的發生。胎兒窘迫是由于胎兒在宮內缺氧所致，早發型子癇前期時胎盤血管痙攣、缺血缺氧是導致胎兒窘迫的主要原因。胎兒在宮內缺氧時，會出現心率異常、胎動減少等癥狀。如果缺氧持續存在，會導致胎兒無氧代謝增加，產生大量乳酸，引起胎兒酸中毒，進而影響胎兒的神經系統、心血管系統等重要器官的功能，嚴重時可導致新生兒窒息，甚至死亡。早發型子癇前期還會對孕婦自身的身體狀況產生嚴重影響，引發一系列并發癥。例如，由于全身小血管痙攣，心臟后負荷增加，可導致心力衰竭；肺部血管痙攣，肺循環阻力增加，可引起肺水腫；腎臟血管痙攣，腎血流量減少，腎小球濾過率降低，可導致急性腎衰竭；腦血管痙攣，可導致腦出血、腦水腫等神經系統并發癥。這些并發癥不僅會危及孕婦的生命安全，還會進一步影響胎兒的生長發育和預后。早發型子癇前期導致不良妊娠結局的病理機制是一個復雜的網絡，胎盤血管痙攣、缺血缺氧是其中的關鍵環節。深入了解這些病理機制，有助于我們更好地認識早發型子癇前期的發病過程，為臨床預防和治療提供理論依據，從而降低不良妊娠結局的發生率，保障母嬰健康。三、相關因素分析3.1臨床資料收集本研究選取[具體時間段]在[醫院名稱]婦產科住院治療并確診為早發型子癇前期的孕婦作為研究對象。納入標準嚴格遵循早發型子癇前期的定義與診斷標準，即妊娠34周前發病，且滿足收縮壓≥140mmHg和（或）舒張壓≥90mmHg，同時伴有尿蛋白定量≥0.3g/24h，或尿蛋白/肌酐比值≥0.3，或隨機尿蛋白≥（+）；若孕婦無蛋白尿，但存在血小板計數低于100×10?/L、血管內溶血、持續性頭痛、視覺障礙、肝功能異常、腎功能異常、心衰、肺水腫、胎兒生長受限、羊水過少等器官或系統受累的情況之一，也予以納入。排除標準為：患有慢性高血壓、糖尿病、慢性腎病等內科原發病；多胎妊娠；精神疾病患者；中途退出研究或臨床資料不完整者。經過嚴格篩選，最終納入研究的早發型子癇前期孕婦共[X]例。這些孕婦來自不同地區，涵蓋了城市和農村，具有一定的地域代表性。其中，初產婦[X1]例，經產婦[X2]例，反映了不同生育史的情況。數據收集內容全面且細致，包括孕婦的基本信息，如年齡、身高、孕前體重、孕產次、孕周、民族、職業、居住地區、文化程度、婚姻狀況等。孕婦年齡范圍為[最小年齡]-[最大年齡]歲，平均年齡（[平均年齡]±[標準差]）歲，年齡分布能夠反映不同年齡段孕婦的發病情況。身高和孕前體重用于計算體重指數（BMI），這與早發型子癇前期的發病及不良妊娠結局密切相關。孕產次體現了孕婦的生育經歷，不同孕產次可能對疾病的發生和發展產生影響。孕周明確了疾病發生時的妊娠階段，對于評估病情和預測結局具有重要意義。民族、職業、居住地區、文化程度、婚姻狀況等信息則從多個維度反映了孕婦的社會背景和生活環境，這些因素可能與早發型子癇前期的發病及不良妊娠結局存在潛在關聯。孕期檢查指標的收集也十分詳盡，包括孕期產檢次數、首次產檢孕周、血壓（收縮壓、舒張壓）、尿蛋白（尿蛋白定量、尿蛋白/肌酐比值、隨機尿蛋白定性）、血常規（白細胞計數、紅細胞計數、血紅蛋白、血小板計數）、凝血功能指標（凝血酶原時間、活化部分凝血活酶時間、纖維蛋白原、D-二聚體）、肝腎功能指標（谷丙轉氨酶、谷草轉氨酶、總膽紅素、直接膽紅素、白蛋白、球蛋白、肌酐、尿素氮、尿酸）、血脂指標（總膽固醇、甘油三酯、高密度脂蛋白膽固醇、低密度脂蛋白膽固醇）、血糖、甲狀腺功能指標（促甲狀腺激素、游離甲狀腺素、游離三碘甲狀腺原氨酸）、心電圖檢查結果、超聲檢查指標（胎兒雙頂徑、股骨長、腹圍、羊水指數、胎盤成熟度、臍動脈血流S/D值、子宮動脈血流阻力指數）等。孕期產檢次數和首次產檢孕周反映了孕婦的孕期保健情況，良好的孕期保健有助于早期發現和干預疾病。血壓和尿蛋白是早發型子癇前期的重要診斷指標，其動態變化能夠反映病情的發展。血常規、凝血功能指標、肝腎功能指標、血脂指標、血糖、甲狀腺功能指標等可以全面評估孕婦的身體狀況，這些指標的異常與早發型子癇前期的發病及不良妊娠結局密切相關。心電圖檢查結果和超聲檢查指標則從心血管系統和胎兒發育情況等方面提供了重要信息，有助于及時發現胎兒窘迫、胎兒生長受限等異常情況。通過對這些豐富而全面的臨床資料進行收集和整理，為后續深入分析早發型子癇前期不良妊娠結局的相關因素奠定了堅實的數據基礎。3.2單因素分析運用SPSS26.0統計學軟件對收集的臨床資料進行深入分析，針對早發型子癇前期患者的不良妊娠結局，開展細致的單因素分析。將患者依據妊娠結局劃分為不良妊娠結局組和正常妊娠結局組，其中不良妊娠結局涵蓋早產、胎兒生長受限、胎兒窘迫、新生兒窒息、新生兒死亡、孕產婦產后出血、感染、器官功能衰竭等嚴重情況；正常妊娠結局則表示母嬰在整個孕期及分娩過程中均未出現上述嚴重不良事件，母嬰健康狀況良好。對于孕婦的年齡、孕周、體重指數（BMI）、孕期產檢次數、首次產檢孕周、血壓（收縮壓、舒張壓）、尿蛋白（尿蛋白定量、尿蛋白/肌酐比值、隨機尿蛋白定性）、血常規（白細胞計數、紅細胞計數、血紅蛋白、血小板計數）、凝血功能指標（凝血酶原時間、活化部分凝血活酶時間、纖維蛋白原、D-二聚體）、肝腎功能指標（谷丙轉氨酶、谷草轉氨酶、總膽紅素、直接膽紅素、白蛋白、球蛋白、肌酐、尿素氮、尿酸）、血脂指標（總膽固醇、甘油三酯、高密度脂蛋白膽固醇、低密度脂蛋白膽固醇）、血糖、甲狀腺功能指標（促甲狀腺激素、游離甲狀腺素、游離三碘甲狀腺原氨酸）、超聲檢查指標（胎兒雙頂徑、股骨長、腹圍、羊水指數、胎盤成熟度、臍動脈血流S/D值、子宮動脈血流阻力指數）等眾多可能影響妊娠結局的因素，分別進行組間比較。采用獨立樣本t檢驗對年齡、孕周、BMI、血壓、各項實驗室檢查指標等計量資料進行分析，以判斷兩組間這些指標的均值是否存在顯著差異。例如，若不良妊娠結局組孕婦的平均年齡顯著高于正常妊娠結局組，可能提示年齡是影響早發型子癇前期不良妊娠結局的一個重要因素。因為隨著年齡的增長，孕婦的身體機能逐漸下降，心血管系統、內分泌系統等的功能也會發生改變，這些變化可能導致孕婦對早發型子癇前期的耐受性降低，從而增加不良妊娠結局的發生風險。對于孕期產檢次數、首次產檢孕周等計數資料，則運用χ2檢驗進行分析。若不良妊娠結局組中孕期產檢次數不足的孕婦比例明顯高于正常妊娠結局組，這表明孕期產檢次數與早發型子癇前期不良妊娠結局之間可能存在關聯。孕期產檢次數不足可能導致孕婦無法及時發現和處理孕期異常情況，使得早發型子癇前期的病情得不到有效控制，進而增加不良妊娠結局的發生概率。在單因素分析過程中，將P<0.05作為具有統計學意義的標準。經過嚴謹的分析，發現孕婦年齡、孕周、BMI、孕期產檢次數、首次產檢孕周、收縮壓、舒張壓、尿蛋白定量、尿蛋白/肌酐比值、隨機尿蛋白定性、血小板計數、D-二聚體、谷丙轉氨酶、谷草轉氨酶、白蛋白、球蛋白、肌酐、尿素氮、尿酸、總膽固醇、甘油三酯、低密度脂蛋白膽固醇、血糖、促甲狀腺激素、游離甲狀腺素、游離三碘甲狀腺原氨酸、胎兒雙頂徑、股骨長、腹圍、羊水指數、胎盤成熟度、臍動脈血流S/D值、子宮動脈血流阻力指數等因素在不良妊娠結局組和正常妊娠結局組之間存在顯著差異（P<0.05）。這些有統計學意義的因素將作為后續深入研究的重點，為進一步構建多因素分析模型和預測模型提供關鍵的數據支持，有助于深入剖析早發型子癇前期不良妊娠結局的影響機制，從而為臨床預防和治療提供更為精準的依據。3.3多因素分析在單因素分析的基礎上，為進一步明確早發型子癇前期不良妊娠結局的獨立影響因素，將單因素分析中有統計學意義（P<0.05）的因素納入多因素分析。本研究采用多因素Logistic回歸分析方法，該方法在醫學研究中廣泛應用于探索疾病發生的危險因素，能夠有效處理多個自變量與因變量之間的關系，通過構建回歸模型，確定每個自變量對因變量的影響程度及方向。在進行多因素Logistic回歸分析時，首先對納入的自變量進行賦值。例如，對于孕婦年齡，以實際年齡數值作為賦值；對于孕周，按照具體孕周數進行賦值；BMI則根據計算得出的數值進行賦值。對于一些分類變量，如孕期產檢次數，將產檢次數不足（少于[具體次數]次）賦值為0，產檢次數充足（大于等于[具體次數]次）賦值為1；首次產檢孕周，將首次產檢孕周小于[具體孕周]賦值為0，大于等于[具體孕周]賦值為1。對于尿蛋白定性，陰性賦值為0，陽性賦值為1；隨機尿蛋白定性，陰性賦值為0，陽性賦值為1。在構建回歸模型時，采用逐步回歸法，該方法能夠根據自變量對因變量的貢獻程度，自動篩選出對因變量影響顯著的自變量，避免了過多無關變量對模型的干擾，提高了模型的準確性和穩定性。以不良妊娠結局為因變量（發生不良妊娠結局賦值為1，未發生賦值為0），將上述賦值后的自變量納入模型進行分析。經過嚴謹的多因素Logistic回歸分析，結果顯示，孕婦年齡、孕周、BMI、孕期產檢次數、收縮壓、尿蛋白定量、血小板計數、D-二聚體、谷丙轉氨酶、白蛋白、肌酐、尿酸、總膽固醇、甘油三酯、低密度脂蛋白膽固醇、血糖、促甲狀腺激素、游離甲狀腺素、游離三碘甲狀腺原氨酸、臍動脈血流S/D值、子宮動脈血流阻力指數等因素為早發型子癇前期不良妊娠結局的獨立危險因素（P<0.05）。其中，孕婦年齡越大，身體的各項機能逐漸衰退，心血管系統、內分泌系統等對妊娠的適應能力下降，發生早發型子癇前期不良妊娠結局的風險增加。例如，每增加1歲，發生不良妊娠結局的風險可能增加[具體風險值]。孕周越小，胎兒的發育越不成熟，對母體病情變化的耐受性越差，不良妊娠結局的發生率越高。BMI過高反映孕婦體內脂肪堆積，可能導致代謝紊亂，增加了早發型子癇前期及不良妊娠結局的發生風險。孕期產檢次數不足，使得孕婦無法及時發現和處理孕期異常情況，導致病情進展，增加了不良妊娠結局的可能性。收縮壓升高、尿蛋白定量增加、血小板計數降低、D-二聚體升高、谷丙轉氨酶升高、白蛋白降低、肌酐升高、尿酸升高、總膽固醇升高、甘油三酯升高、低密度脂蛋白膽固醇升高、血糖升高、促甲狀腺激素異常、游離甲狀腺素異常、游離三碘甲狀腺原氨酸異常、臍動脈血流S/D值升高、子宮動脈血流阻力指數升高，這些指標的異常均從不同角度反映了孕婦身體機能的改變和胎盤功能的受損，進而增加了不良妊娠結局的風險。而孕期產檢次數充足、首次產檢孕周較早則為保護因素（P<0.05）。孕期產檢次數充足能夠及時發現孕婦的身體異常和胎兒的發育情況，醫生可以根據檢查結果及時調整治療方案，采取有效的干預措施，從而降低不良妊娠結局的發生風險。首次產檢孕周較早，有利于早期發現潛在的危險因素，提前進行監測和管理，為保障母嬰健康提供了更多的時間和機會。通過多因素分析，明確了早發型子癇前期不良妊娠結局的獨立危險因素和保護因素，為后續構建預測模型提供了關鍵的變量選擇依據，也為臨床制定針對性的預防和治療措施提供了有力的理論支持，有助于改善早發型子癇前期患者的妊娠結局，降低母嬰不良事件的發生風險。3.4具體案例分析為了更直觀地驗證早發型子癇前期不良妊娠結局相關因素的影響，選取以下典型病例進行深入分析。病例一：患者A，28歲，初產婦，既往體健。孕期產檢次數較少，僅在孕12周和孕24周進行了兩次產檢。孕28周時因頭痛、視物模糊就診，測量血壓160/110mmHg，尿蛋白定量2.5g/24h，診斷為早發型子癇前期。入院后進一步檢查，發現血小板計數80×10?/L，谷丙轉氨酶80U/L，白蛋白30g/L，臍動脈血流S/D值為4.0，子宮動脈血流阻力指數升高。盡管給予積極的降壓、解痙等治療，但患者病情仍逐漸加重，出現了胎兒生長受限，胎兒雙頂徑、股骨長、腹圍均明顯低于同孕周胎兒。在孕30周時，因胎兒窘迫緊急行剖宮產終止妊娠，新生兒出生體重1200g，Apgar評分1分鐘5分，5分鐘7分，診斷為早產兒、新生兒窒息，轉入新生兒科治療。該病例中，患者孕期產檢次數不足，未能及時發現和干預早發型子癇前期，導致病情進展。高齡初產婦、血小板計數降低、谷丙轉氨酶升高、白蛋白降低、臍動脈血流S/D值升高以及子宮動脈血流阻力指數升高，這些因素均與早發型子癇前期不良妊娠結局密切相關，最終導致了早產、胎兒生長受限和新生兒窒息等不良結局。病例二：患者B，32歲，經產婦，有慢性高血壓病史，孕期血壓控制不佳。孕30周時出現下肢水腫、蛋白尿，血壓150/100mmHg，診斷為早發型子癇前期。實驗室檢查顯示，尿蛋白定量1.8g/24h，肌酐120μmol/L，尿酸500μmol/L，總膽固醇6.5mmol/L，甘油三酯3.0mmol/L，低密度脂蛋白膽固醇4.0mmol/L，血糖5.8mmol/L。超聲檢查提示羊水過少，胎盤成熟度Ⅱ級，臍動脈血流S/D值3.5。經過治療，患者血壓仍波動較大，在孕32周時突發胎盤早剝，急診行剖宮產術。術中見胎盤后血腫，胎兒娩出后Apgar評分1分鐘3分，5分鐘5分，因新生兒重度窒息、呼吸循環衰竭，經搶救無效死亡。產婦術后出現產后出血，經過積極治療后病情逐漸穩定。此病例中，患者有慢性高血壓病史且孕期血壓控制不佳，這是早發型子癇前期及不良妊娠結局的重要危險因素。肌酐升高、尿酸升高、血脂異常、血糖升高以及臍動脈血流S/D值升高，均表明患者身體機能受損和胎盤功能異常。這些因素相互作用，最終導致了胎盤早剝、新生兒死亡和產后出血等嚴重不良妊娠結局。病例三：患者C，25歲，初產婦，孕期產檢規律，首次產檢孕周為孕8周。孕32周時出現血壓升高，145/95mmHg，尿蛋白（+），診斷為早發型子癇前期。進一步檢查發現，促甲狀腺激素5.5mIU/L，游離甲狀腺素10pmol/L，游離三碘甲狀腺原氨酸3.0pmol/L，提示甲狀腺功能異常。經過積極的降壓、補充甲狀腺素等治療，患者病情得到有效控制，血壓維持在130-140/80-90mmHg，尿蛋白逐漸減少。在孕34周時，因胎兒發育成熟，行剖宮產終止妊娠，新生兒出生體重2200g，Apgar評分1分鐘8分，5分鐘9分，母嬰結局良好。該病例中，患者孕期產檢規律且首次產檢孕周早，能夠及時發現早發型子癇前期和甲狀腺功能異常。通過積極的治療，有效控制了病情，避免了不良妊娠結局的發生。這充分體現了孕期產檢和早期干預的重要性，也表明甲狀腺功能異常是早發型子癇前期不良妊娠結局的潛在危險因素，及時糾正甲狀腺功能異常有助于改善妊娠結局。通過對以上典型病例的分析，進一步驗證了多因素分析中確定的獨立危險因素和保護因素對早發型子癇前期不良妊娠結局的影響。這些病例直觀地展示了不同因素在疾病發展過程中的作用，為臨床醫生提供了更具參考價值的實踐經驗，有助于在臨床工作中更準確地評估患者的病情，制定個性化的治療方案，從而降低早發型子癇前期不良妊娠結局的發生率，保障母嬰健康。四、預測模型的建立4.1建模方法選擇本研究采用LightGBM算法構建早發型子癇前期不良妊娠結局預測模型。LightGBM作為一種高效的梯度提升框架，基于決策樹算法，在處理大規模數據集時展現出卓越的性能和效率，尤其適用于醫學領域中復雜數據的分析與建模。LightGBM算法具有獨特的優勢，這也是本研究選擇它的重要依據。其一，它采用了直方圖算法，能夠將連續的特征值離散化為有限個區間，以直方圖的形式存儲數據。這種方式極大地減少了內存占用，提高了計算速度。在處理本研究中大量的臨床數據時，如包含眾多患者的各項臨床指標、檢查結果等數據，直方圖算法使得模型能夠快速處理數據，大大縮短了模型訓練時間，提高了研究效率。其二，LightGBM引入了葉子生長的最佳方向選擇策略——帶深度限制的Leaf-wise的葉子生長策略。與傳統的Level-wise生長策略不同，Leaf-wise策略每次選擇分裂增益最大的葉子進行分裂，而不是在同一層同時分裂所有葉子。這使得模型在生長過程中能夠更有針對性地捕捉數據中的復雜模式，從而提高模型的擬合能力和預測準確性。對于早發型子癇前期不良妊娠結局這樣復雜的醫學問題，需要模型能夠準確捕捉到各種因素之間的復雜關系，Leaf-wise策略正好滿足了這一需求。其三，LightGBM支持大規模并行計算，能夠充分利用多核CPU的計算資源，進一步加速模型的訓練過程。在面對海量的臨床數據時，并行計算能力使得模型能夠在較短時間內完成訓練，為臨床決策提供及時的支持。與其他常見的機器學習算法相比，LightGBM在處理本研究數據時具有明顯優勢。例如，與邏輯回歸相比，邏輯回歸是一種線性模型，假設因變量與自變量之間存在線性關系。然而，早發型子癇前期不良妊娠結局的影響因素復雜，各因素之間可能存在高度的非線性關系，邏輯回歸難以準確捕捉這些復雜關系，導致預測效果不佳。而LightGBM的非線性建模能力使其能夠更好地處理這種復雜的數據關系，提高預測的準確性。與支持向量機（SVM）相比，SVM在處理高維數據時容易出現過擬合問題，且計算復雜度較高，訓練時間長。本研究中的臨床數據維度眾多，包含大量的臨床指標，使用SVM可能會面臨過擬合風險和較長的訓練時間。而LightGBM通過其獨特的算法設計，能夠有效避免過擬合問題，同時在高維數據處理上具有較高的效率。此外，在構建預測模型時，還可以考慮結合列線圖構建方法。列線圖作為一種可視化工具，能夠將復雜的模型結果以直觀的方式呈現出來。它將多個影響因素與預測結果之間的關系通過圖形化的方式展示，使得臨床醫生無需復雜的計算，即可根據患者的各項指標在列線圖上快速估算出不良妊娠結局的發生概率。例如，將LightGBM模型得到的各個因素的權重和預測結果進行整合，轉化為列線圖。臨床醫生在面對早發型子癇前期患者時，只需在列線圖上找到患者對應的年齡、孕周、血壓、尿蛋白等指標的刻度，然后將這些刻度連接起來，就可以直觀地讀取患者發生不良妊娠結局的風險程度。這種可視化的方式不僅提高了模型的可解釋性，還方便了臨床醫生在實際工作中的應用，有助于快速做出決策，為患者提供及時的治療和干預。4.2模型構建過程在構建早發型子癇前期不良妊娠結局預測模型時，遵循科學嚴謹的流程，確保模型的準確性和可靠性。數據預處理是建模的首要環節，其目的是將原始數據轉化為適合模型訓練的格式，提高數據質量，減少噪聲和異常值對模型的影響。首先，對收集到的臨床數據進行全面的清洗。仔細檢查數據中的缺失值，對于缺失率較低（如小于10%）的數值型變量，采用均值或中位數填充的方法。例如，對于某些孕婦的血壓值存在少量缺失，可計算同組孕婦血壓的均值來進行填充，以保證數據的完整性和連續性。對于分類變量的缺失值，若其類別分布較為均勻，可采用眾數填充；若類別分布差異較大，則需結合臨床實際情況進行合理推測填充。同時，認真識別并處理異常值，對于明顯偏離正常范圍的數據，如血壓值過高或過低，超出正常生理范圍的實驗室指標等，通過與臨床醫生溝通，確認其真實性，若為錯誤數據，則進行修正或刪除。數據標準化也是關鍵步驟，由于不同的臨床指標具有不同的量綱和取值范圍，如血壓的單位是mmHg，而血小板計數的單位是×10?/L，為了消除量綱差異對模型的影響，采用Z-score標準化方法對數值型數據進行處理。該方法通過計算每個數據點與均值的差值，并除以標準差，將數據轉化為均值為0，標準差為1的標準正態分布。這樣，所有的數據在同一尺度上進行比較，有助于模型更好地學習數據特征，提高模型的收斂速度和準確性。特征選擇是從原始數據的眾多特征中挑選出對預測目標最具影響力的特征子集，以提高模型的性能和可解釋性。本研究采用基于相關性分析和遞歸特征消除（RFE）相結合的方法進行特征選擇。首先，通過計算各特征與早發型子癇前期不良妊娠結局之間的皮爾遜相關系數，初步篩選出相關性較高（如絕對值大于0.3）的特征。這些特征與不良妊娠結局存在較為密切的關聯，可能對模型的預測起到重要作用。然后，利用遞歸特征消除方法，基于LightGBM模型的特征重要性得分，逐步遞歸地刪除不重要的特征，直到達到最優的特征子集。在每次遞歸過程中，重新訓練模型，并根據模型的性能指標（如AUC值）來判斷是否保留當前特征。通過這種方式，能夠進一步去除冗余特征，保留最關鍵的特征，提高模型的預測精度和效率。在完成數據預處理和特征選擇后，進行模型訓練與優化。將數據集按照7:3的比例劃分為訓練集和測試集，訓練集用于模型的訓練，測試集用于評估模型的性能。在訓練過程中，采用5折交叉驗證的方法對LightGBM模型進行訓練，以提高模型的穩定性和泛化能力。5折交叉驗證將訓練集隨機劃分為5個互不相交的子集，每次選取其中4個子集作為訓練數據，剩余1個子集作為驗證數據，重復5次，最后將5次的驗證結果進行平均，得到模型的性能評估指標。利用網格搜索算法對LightGBM模型的超參數進行調優。網格搜索通過在指定的超參數空間中進行窮舉搜索，嘗試不同的超參數組合，根據交叉驗證的結果選擇最優的超參數設置。例如，對LightGBM模型的num_leaves（葉子節點數）、max_depth（樹的最大深度）、min_data_in_leaf（葉子節點的最小樣本數）、feature_fraction（特征采樣比例）、bagging_fraction（樣本采樣比例）、bagging_freq（樣本采樣頻率）等超參數進行調優。在超參數空間中，設置num_leaves的取值范圍為[30,50,70]，max_depth的取值范圍為[5,8,10]等，通過遍歷所有可能的組合，找到使模型性能最佳的超參數配置。經過多次實驗和優化，最終確定當num_leaves=50、max_depth=8、min_data_in_leaf=50、feature_fraction=0.8、bagging_fraction=0.7、bagging_freq=5時，模型的性能達到最優。此時，模型在訓練集上能夠準確地學習到數據的特征和規律，在測試集上也能表現出較好的泛化能力，對早發型子癇前期不良妊娠結局具有較高的預測準確性。4.3模型性能評估指標為全面、準確地評估早發型子癇前期不良妊娠結局預測模型的性能，本研究選用了一系列科學、常用的評估指標，這些指標從不同角度反映了模型的預測能力和可靠性。準確率（Accuracy）是最基本的評估指標之一，它表示預測正確的樣本數占總樣本數的比例，計算公式為：Accuracy=(TP+TN)/(TP+TN+FP+FN)。其中，TP（TruePositive）代表真陽性，即實際為陽性且預測也為陽性的樣本數；TN（TrueNegative）代表真陰性，即實際為陰性且預測也為陰性的樣本數；FP（FalsePositive）代表假陽性，即實際為陰性但預測為陽性的樣本數；FN（FalseNegative）代表假陰性，即實際為陽性但預測為陰性的樣本數。準確率能夠直觀地反映模型對整體樣本的預測準確程度，準確率越高，說明模型在正確分類樣本方面的表現越好。然而，在正負樣本不均衡的情況下，準確率可能會產生誤導。例如，在早發型子癇前期不良妊娠結局的預測中，如果不良妊娠結局的樣本數量較少，即使模型將所有樣本都預測為正常妊娠結局，也可能獲得較高的準確率，但這顯然不能反映模型的真實預測能力。靈敏度（Sensitivity），又稱召回率（Recall）或真陽性率（TruePositiveRate，TPR），它衡量的是所有實際為陽性的樣本中，被正確預測為陽性的比例，計算公式為：Sensitivity=TP/(TP+FN)。在本研究中，靈敏度反映了模型對早發型子癇前期不良妊娠結局的識別能力，即能夠準確檢測出多少真正會發生不良妊娠結局的患者。靈敏度越高，說明模型對高風險患者的漏診率越低，這對于臨床及時發現并干預高風險患者具有重要意義。例如，若模型的靈敏度為80%，則表示在實際發生不良妊娠結局的患者中，模型能夠準確預測出80%的患者，還有20%的患者被漏診。特異度（Specificity），即真陰性率（TrueNegativeRate，TNR），用于評估所有實際為陰性的樣本中，被正確預測為陰性的比例，計算公式為：Specificity=TN/(TN+FP)。在早發型子癇前期不良妊娠結局預測中，特異度體現了模型對正常妊娠結局的判斷準確性，即能夠準確識別出多少不會發生不良妊娠結局的患者。特異度越高，說明模型對正常妊娠結局的誤診率越低。例如，特異度為90%意味著在實際未發生不良妊娠結局的患者中，模型能夠正確判斷出90%的患者，僅有10%的患者被誤診為會發生不良妊娠結局。曲線下面積（AreaUndertheCurve，AUC）是基于受試者工作特征曲線（ReceiverOperatingCharacteristicCurve，ROC曲線）計算得出的一個重要指標。ROC曲線以真陽性率（靈敏度）為縱坐標，假陽性率（1-特異度）為橫坐標，通過繪制不同閾值下模型的真陽性率和假陽性率來展示模型的性能。AUC值的范圍在0到1之間，它綜合反映了模型在不同閾值下的分類性能。AUC值越接近1，說明模型的分類能力越強，能夠更好地區分正例和負例；當AUC值為0.5時，意味著模型的預測效果與隨機猜測無異。在早發型子癇前期不良妊娠結局預測模型中，AUC值可以直觀地比較不同模型的優劣，評估模型對不良妊娠結局和正常妊娠結局的區分能力。例如，若模型A的AUC值為0.85，模型B的AUC值為0.75，則說明模型A在預測早發型子癇前期不良妊娠結局方面的性能優于模型B。除了上述指標外，本研究還可能采用其他評估指標，如精確率（Precision），它表示預測為陽性的樣本中，實際為陽性的比例，計算公式為：Precision=TP/(TP+FP)，精確率反映了模型預測為陽性結果的準確性；F1值，它是精確率和召回率的調和平均數，計算公式為：F1=2×(Precision×Recall)/(Precision+Recall)，F1值綜合考慮了精確率和召回率，能夠更全面地評估模型的性能。這些指標相互補充，從不同維度對早發型子癇前期不良妊娠結局預測模型的性能進行評估，為模型的優化和臨床應用提供了堅實的數據支持。4.4模型性能評估結果將構建好的基于LightGBM算法的早發型子癇前期不良妊娠結局預測模型應用于訓練集和測試集，對其性能進行全面評估。在訓練集上，模型展現出了出色的性能表現。準確率達到了[X1]%，這意味著模型能夠準確預測出[X1]%的早發型子癇前期患者是否會發生不良妊娠結局，反映了模型對整體樣本的預測準確程度。靈敏度為[X2]%，表明在實際發生不良妊娠結局的患者中，模型能夠成功識別出[X2]%的患者，體現了模型對高風險患者的檢測能力，漏診率相對較低。特異度為[X3]%，說明模型在判斷正常妊娠結局的患者時，能夠準確識別出[X3]%的患者，誤診率較低。曲線下面積（AUC）高達[X4]，AUC值越接近1，模型的分類能力越強，[X4]的AUC值表明該模型在區分早發型子癇前期不良妊娠結局和正常妊娠結局方面具有較強的能力，能夠很好地將兩者區分開來。在測試集上，模型依然保持了較高的性能水平。準確率為[Y1]%，雖然較訓練集可能略有波動，但仍維持在較高水平，說明模型在獨立的測試數據上也具有較好的預測能力。靈敏度為[Y2]%，特異度為[Y3]%，AUC為[Y4]，這些指標與訓練集的結果相近，進一步驗證了模型的穩定性和泛化能力。模型在不同數據集上的表現一致性較好，能夠準確地預測早發型子癇前期患者的不良妊娠結局，具有較高的可靠性。為了更直觀地展示模型的性能，繪制了受試者工作特征（ROC）曲線，如圖[圖序號]所示。ROC曲線以真陽性率（靈敏度）為縱坐標，假陽性率（1-特異度）為橫坐標，通過繪制不同閾值下模型的真陽性率和假陽性率來展示模型的性能。在圖中，該模型的ROC曲線明顯位于對角線的上方，且曲線下面積較大，這直觀地表明模型在不同閾值下都具有較好的分類性能，能夠有效地將早發型子癇前期不良妊娠結局和正常妊娠結局區分開來。本研究還采用了校準曲線來評估模型預測概率與實際發生概率的一致性。校準曲線顯示，模型預測的早發型子癇前期不良妊娠結局發生概率與實際發生概率具有較好的一致性，模型的預測結果較為準確可靠。通過Hosmer-Lemeshow檢驗，結果顯示P值大于0.05，表明模型的預測概率與實際觀測概率之間差異無統計學意義，進一步驗證了模型的擬合優度較好，能夠準確地反映早發型子癇前期不良妊娠結局的發生情況。綜合訓練集和測試集的性能評估結果，基于LightGBM算法構建的早發型子癇前期不良妊娠結局預測模型具有較高的準確性、可靠性和臨床應用價值。該模型能夠準確地預測早發型子癇前期患者的不良妊娠結局，為臨床醫生提供了一種有效的工具，有助于早期識別高風險患者，制定個性化的治療方案，從而降低不良妊娠結局的發生率，改善母嬰的預后。五、預測模型的驗證與比較5.1內部驗證為確保基于LightGBM算法構建的早發型子癇前期不良妊娠結局預測模型在不同數據集上的穩定性和可靠性，本研究采用了多種內部驗證方法對模型性能進行全面評估。10折交叉驗證是本研究中使用的重要內部驗證方法之一。該方法將原始數據集隨機劃分為10個互不重疊的子集，每次選取其中9個子集作為訓練集用于模型訓練，剩余1個子集作為驗證集用于評估模型性能，重復此過程10次，使得每個子集都有機會作為驗證集。在每次驗證過程中，記錄模型的各項性能指標，如準確率、靈敏度、特異度、AUC等。通過對10次驗證結果的綜合分析，能夠更全面、準確地評估模型在不同數據子集上的表現。例如，在10次驗證中，模型的平均準確率達到了[X1]%，平均靈敏度為[X2]%，平均特異度為[X3]%，平均AUC為[X4]。這些結果表明，模型在不同的數據子集上都能保持相對穩定的性能，具有較好的泛化能力。Bootstrap法也是常用的內部驗證方法，它通過有放回的抽樣方式從原始數據集中抽取多個與原始數據集大小相同的新數據集，每個新數據集都用于訓練模型，然后對這些模型的性能進行綜合評估。在本研究中，采用Bootstrap法進行了100次抽樣，得到100個新的數據集。基于這些數據集分別訓練模型，并計算每個模型的性能指標。結果顯示，模型在Bootstrap驗證中的準確率均值為[Y1]%，靈敏度均值為[Y2]%，特異度均值為[Y3]%，AUC均值為[Y4]。與10折交叉驗證結果相比，Bootstrap法得到的性能指標雖略有差異，但整體趨勢一致，進一步驗證了模型的穩定性和可靠性。除了上述驗證方法，本研究還通過繪制校準曲線來評估模型預測概率與實際發生概率的一致性。校準曲線以模型預測的概率為橫坐標，實際發生的概率為縱坐標，若模型預測準確，校準曲線應接近對角線。從繪制的校準曲線來看，模型預測的早發型子癇前期不良妊娠結局發生概率與實際發生概率具有較好的一致性，大部分數據點都分布在對角線附近，這表明模型的預測結果較為可靠，能夠準確反映早發型子癇前期不良妊娠結局的發生概率。通過Hosmer-Lemeshow檢驗對模型的擬合優度進行評估。該檢驗基于卡方檢驗原理，將觀測值和預測值按照預測概率進行分組，計算每組的觀測頻數和期望頻數，然后計算卡方統計量。若卡方統計量對應的P值大于0.05，則認為模型的預測概率與實際觀測概率之間差異無統計學意義，即模型的擬合優度較好。在本研究中，Hosmer-Lemeshow檢驗結果顯示P值為[P值]，大于0.05，表明模型能夠較好地擬合數據，預測結果具有較高的可信度。綜合10折交叉驗證、Bootstrap法、校準曲線以及Hosmer-Lemeshow檢驗的結果，基于LightGBM算法構建的早發型子癇前期不良妊娠結局預測模型在內部驗證中表現出了良好的穩定性和泛化能力，各項性能指標較為理想，能夠準確地預測早發型子癇前期患者的不良妊娠結局，為臨床應用提供了有力的支持。5.2外部驗證為進一步檢驗基于LightGBM算法構建的早發型子癇前期不良妊娠結局預測模型在不同人群中的適用性和泛化能力，本研究采用獨立的外部數據集對模型進行驗證。從[具體醫院名稱]收集了[具體時間段]內確診為早發型子癇前期的孕婦臨床資料作為外部驗證集，該驗證集共包含[X]例早發型子癇前期患者，這些患者與構建模型時使用的數據集來自不同地區、不同醫院，具有一定的地域和人群代表性。在收集數據時，嚴格遵循與建模數據集相同的納入和排除標準，確保數據的一致性和可比性。驗證集的患者基本信息、臨床特征、實驗室檢查指標等數據的收集和整理方式與建模數據集一致，涵蓋了孕婦年齡、孕周、BMI、孕期產檢次數、首次產檢孕周、血壓、尿蛋白、血常規、凝血功能指標、肝腎功能指標、血脂指標、血糖、甲狀腺功能指標、超聲檢查指標等全面的信息。將構建好的預測模型應用于外部驗證集，計算模型在該數據集上的各項性能指標。結果顯示，模型在外部驗證集上的準確率達到了[X1]%，表明模型能夠準確預測出[X1]%的早發型子癇前期患者是否會發生不良妊娠結局，雖然與內部驗證時的準確率相比可能略有波動，但仍維持在較高水平，說明模型在不同人群中具有較好的預測能力。靈敏度為[X2]%，意味著在實際發生不良妊娠結局的患者中，模型能夠成功識別出[X2]%的患者，漏診率相對較低，體現了模型對高風險患者的檢測能力在外部驗證中依然可靠。特異度為[X3]%，表明模型在判斷正常妊娠結局的患者時，能夠準確識別出[X3]%的患者，誤診率較低，對正常妊娠結局的判斷準確性較高。曲線下面積（AUC）為[X4]，AUC值越接近1，模型的分類能力越強，[X4]的AUC值說明該模型在外部驗證集中能夠較好地區分早發型子癇前期不良妊娠結局和正常妊娠結局，具有較強的分類能力。為了更直觀地展示模型在外部驗證集上的性能，繪制了受試者工作特征（ROC）曲線，如圖[圖序號]所示。在圖中，該模型在外部驗證集的ROC曲線明顯位于對角線的上方，且曲線下面積較大，直觀地表明模型在不同閾值下都具有較好的分類性能，能夠有效地將早發型子癇前期不良妊娠結局和正常妊娠結局區分開來，進一步驗證了模型在不同人群中的有效性。通過校準曲線評估模型在外部驗證集上預測概率與實際發生概率的一致性。校準曲線顯示，模型預測的早發型子癇前期不良妊娠結局發生概率與實際發生概率在外部驗證集中也具有較好的一致性，大部分數據點都分布在對角線附近，這表明模型的預測結果在外部驗證中較為可靠，能夠準確反映早發型子癇前期不良妊娠結局在不同人群中的發生概率。利用Hosmer-Lemeshow檢驗對模型在外部驗證集上的擬合優度進行評估。檢驗結果顯示P值為[P值]，大于0.05，表明模型在外部驗證集中的預測概率與實際觀測概率之間差異無統計學意義，即模型能夠較好地擬合外部驗證集的數據，預測結果具有較高的可信度。綜合外部驗證集的各項性能評估結果，基于LightGBM算法構建的早發型子癇前期不良妊娠結局預測模型在不同人群中具有較好的適用性和泛化能力，能夠準確地預測早發型子癇前期患者的不良妊娠結局。這為該模型在臨床實踐中的廣泛應用提供了有力的支持，有助于不同地區的臨床醫生利用該模型對早發型子癇前期患者進行風險評估，制定個性化的治療方案，降低不良妊娠結局的發生率，改善母嬰的預后。5.3與其他模型的比較為全面評估本研究構建的基于LightGBM算法的早發型子癇前期不良妊娠結局預測模型的性能，將其與已有的相關預測模型進行深入比較，從多個維度分析其優勢與不足。在現有的研究中，基于多因素Logistic回歸分析構建的預測模型是較為常見的類型。這類模型通過對多個影響因素進行回歸分析，確定各因素與不良妊娠結局之間的關聯強度，從而建立預測方程。例如，有研究納入孕婦年齡、孕周、血壓、尿蛋白、血小板計數等因素，構建了早發型子癇前期不良妊娠結局的Logistic回歸模型。該模型在一定程度上能夠對不良妊娠結局進行預測，但其假設自變量與因變量之間存在線性關系，而早發型子癇前期不良妊娠結局的影響因素復雜，各因素之間往往存在高度的非線性關系，這使得Logistic回歸模型難以準確捕捉這些復雜關系，導致預測準確性受限。支持向量機（SVM）模型在早發型子癇前期不良妊娠結局預測中也有應用。SVM通過尋找一個最優分類超平面，將不同類別的樣本分開，在處理小樣本、非線性問題時具有一定優勢。然而，SVM模型對數據的預處理要求較高，且在處理高維數據時容易出現過擬合問題，計算復雜度較高，訓練時間長。在本研究的早發型子癇前期數據中，包含眾多的臨床指標，數據維度較高，使用SVM模型可能會面臨過擬合風險，且較長的訓練時間不利于臨床的快速決策。神經網絡（NN）模型，特別是多層感知器（MLP），具有強大的非線性建模能力，能夠自動學習數據中的復雜模式。但神經網絡模型結構復雜，可解釋性差，被稱為“黑箱模型”。在臨床應用中，醫生往往需要了解模型的決策依據，以便更好地為患者制定治療方案，而神經網絡模型難以滿足這一需求。此外，神經網絡模型的訓練需要大量的數據和計算資源，對硬件要求較高，這也限制了其在一些資源有限的醫療機構中的應用。與上述模型相比，本研究構建的基于LightGBM算法的預測模型具有顯著優勢。在準確性方面，LightGBM模型采用了直方圖算法和帶深度限制的Leaf-wise的葉子生長策略，能夠更有效地捕捉數據中的復雜模式，提高模型的擬合能力和預測準確性。在本研究中，該模型在訓練集和測試集上均表現出較高的準確率、靈敏度、特異度和AUC值，優于多因素Logistic回歸模型、SVM模型和神經網絡模型。例如，在測試集上，LightGBM模型的AUC值達到了[X4]，而多因素Logistic回歸模型的AUC值僅為[對比模型AUC值1]，SVM模型的AUC值為[對比模型AUC值2]，神經網絡模型的AUC值為[對比模型AUC值3]，充分顯示了LightGBM模型在區分早發型子癇前期不良妊娠結局和正常妊娠結局方面的強大能力。在計算效率上，LightGBM的直方圖算法減少了內存占用，提高了計算速度，支持大規模并行計算，能夠充分利用多核CPU的計算資源，大大縮短了模型訓練時間。在處理本研究中的大量臨床數據時，LightGBM模型的訓練時間明顯短于其他模型，如SVM模型和神經網絡模型，這使得模型能夠在較短時間內完成訓練，為臨床決策提供及時的支持。可解釋性方面，雖然LightGBM模型也屬于機器學習算法，但它可以通過特征重要性分析來解釋模型的決策過程。通過計算每個特征對模型預測結果的貢獻程度，能夠直觀地了解哪些因素對早發型子癇前期不良妊娠結局的預測影響較大，為臨床醫生提供有價值的參考信息，這是神經網絡模型所不具備的優勢。本研究構建的基于LightGBM算法的早發型子癇前期不良妊娠結局預測模型在準確性、計算效率和可解釋性等方面具有明顯優勢，能夠更有效地預測早發型子癇前期患者的不良妊娠結局，為臨床提供更可靠的決策支持。然而，該模型也并非完美無缺，在實際應用中仍需不斷優化和完善，以更好地滿足臨床需求。5.4驗證與比較結果分析通過內部驗證、外部驗證以及與其他模型的比較，本研究對基于LightGBM算法構建的早發型子癇前期不良妊娠結局預測模型的性能有了全面且深入的認識。在內部驗證中，10折交叉驗證和Bootstrap法的結果均表明該模型具有良好的穩定性和泛化能力。10折交叉驗證中，模型在不同的數據子集上保持相對穩定的性能，平均準確率、靈敏度、特異度和AUC等指標均達到了較高水平，這說明模型能夠較好地適應不同的數據分布，準確地捕捉數據中的特征和規律，避免了過擬合現象的發生。Bootstrap法得到的性能指標與10折交叉驗證結果趨勢一致，進一步驗證了模型的可靠性。校準曲線顯示模型預測概率與實際發生概率具有良好的一致性，Hosmer-Lemeshow檢驗結果表明模型的擬合優度較好，這些都為模型在臨床實踐中的應用提供了有力的支持，使醫生能夠基于模型的預測結果做出更準確的決策。外部驗證結果顯示，模型在不同人群中具有較好的適用性和泛化能力。雖然在外部驗證集中模型的性能指標與內部驗證相比可能略有波動，但整體仍維持在較高水平。這表明模型不僅在訓練數據上表現出色，還能夠有效地應用于不同地區、不同醫院的早發型子癇前期患者，為臨床醫生提供了一種通用的風險評估工具。在實際臨床應用中，不同地區的患者可能存在地域、生活習慣、遺傳背景等差異，而本模型能夠在外部驗證中保持較好的性能，說明其具有較強的魯棒性，能夠適應這些差異，準確地預測不良妊娠結局，為不同地區的患者提供個性化的治療方案。與其他模型的比較中，本研究構建的LightGBM模型在準確性、計算效率和可解釋性方面展現出明顯優勢。在準確性上，LightGBM模型能夠更有效地捕捉早發型子癇前期不良妊娠結局相關因素之間的復雜非線性關系，其AUC值顯著高于多因素Logistic回歸模型、SVM模型和神經網絡模型，在區分不良妊娠結局和正常妊娠結局方面表現更為出色。在處理復雜的臨床數據時，多因素Logistic回歸模型受線性假設的限制，難以準確擬合數據；SVM模型在高維數據中容易出現過擬合問題；神經網絡模型雖然具有強大的非線性建模能力，但結構復雜，容易陷入局部最優解，而LightGBM模型通過其獨特的算法設計，克服了這些問題，提高了預測的準確性。計算效率方面，LightGBM模型的直方圖算法和并行計算能力使其訓練時間明顯縮短，能夠在較短時間內完成訓練，為臨床快速決策提供支持。在臨床實踐中，時間就是生命，對于早發型子癇前期患者，需要及時準確地評估其不良妊娠結局的風險，以便采取有效的治療措施。LightGBM模型的高效性滿足了這一臨床需求，能夠在短時間內為醫生提供預測結果，幫助醫生及時制定治療方案，降低不良妊娠結局的發生率。可解釋性方面，LightGBM模型通過特征重要性分析，能夠直觀地展示每個因素對預測結果的影響程度，為臨床醫生提供有價值的參考信息。與神經網絡模型的“黑箱”特性不同，醫生可以根據LightGBM模型的特征重要性分析結果，了解哪些因素對早發型子癇前期不良妊娠結局的影響較大，從而有針對性地對這些因素進行監測和干預。例如，若模型顯示孕婦年齡、血壓和尿蛋白等因素對不良妊娠結局的影響較大，醫生在臨床工作中就可以更加關注這些指標的變化，及時調整治療方案，提高治療效果。然而，本模型也存在一定的局限性。在數據方面，雖然收集了大量的臨床資料，但可能仍存在一些潛在的影響因素未被納入，如環境因素、遺傳因素的某些細節等，這可能會影響模型的預測準確性。在模型應用方面，雖然模型在驗證中表現良好，但實際臨床情況復雜多變，模型可能無法完全涵蓋所有的臨床場景，需要進一步優化和完善。未來的研究可以進一步擴大樣本量，納入更多的潛在影響因素，同時結合更多的臨床實際情況對模型進行優化，提高模型的準確性和泛化能力，使其更好地服務于臨床實踐，為降低早發型子癇前期不良妊娠結局的發生率，保障母嬰健康做出更大的貢獻。六、預測模型的臨床應用6.1臨床應用場景本研究構建的早發型子癇前期不良妊娠結局預測模型在臨床實踐中具有廣泛且重要的應用場景，能夠為臨床醫生提供多方面的決策支持，有效改善母嬰預后。在孕期篩查方面，該模型可應用于早孕期和中孕期的常規產檢。在早孕期，醫生可以收集孕婦的年齡、BMI、孕期產檢次數、首次產檢孕周、既往病史等基本信息，以及平均動脈壓、子宮動脈搏動指數、血清學指標（如妊娠相關血漿蛋白-A、胎盤生長因子等），將這些數據輸入預測模型，即可評估孕婦發生早發型子癇前期及不良妊娠結局的風險。對于風險較高的孕婦，醫生可以提前制定個性化的監測方案，增加產檢頻率，密切關注孕婦的血壓、尿蛋白等指標變化，以及胎兒的生長發育情況。例如，對預測為高風險的孕婦，可從孕早期開始，每2周進行一次產檢，及時發現異常并采取干預措施。在中孕期，結合孕婦的中期產檢結果，如超聲檢查胎兒發育指標、孕婦的實驗室檢查指標等，再次運用預測模型進行評估，動態調整風險等級，為后續的孕期管理提供依據。病情監測過程中，預測模型同樣發揮著關鍵作用。隨著孕周的增加，孕婦的身體狀況和胎兒的發育情況不斷變化，早發型子癇前期的病情也可能隨之進展。通過定期將孕婦的最新檢查數據輸入預測模型，醫生可以實時評估病情的發展趨勢，判斷不良妊娠結局的發生風險是否增加。例如，若模型預測孕婦的不良妊娠結局風險逐漸升高，且孕婦出現了血壓持續升高、尿蛋白增加等癥狀，醫生可以及時調整治療方案，加強降壓、解痙等治療措施，必要時提前終止妊娠，以保障母嬰安全。在治療決策方面，預測模型為醫生提供了科學的參考依據。對于預測為低風險的早發型子癇前期孕婦，醫生可以采取相對保守的治療策略，如密切觀察病情變化，給予適當的降壓、解痙藥物治療，同時積極進行孕期保健指導，盡量延長孕周，促進胎兒的成熟。而對于預測為高風險的孕婦，醫生則需要更加積極地干預。例如，當模型預測孕婦發生嚴重不良妊娠結局的風險極高，且孕婦的病情難以控制時，醫生可以綜合考慮孕婦和胎兒的情況，及時決定終止妊娠的時機和方式。在選擇分娩方式時，預測模型也能提