
-
生物通官微
陪你抓住生命科技
跳动的脉搏
结合环境化学生物标志物与孕产妇临床因素的可解释机器学习在预测妊娠期高血压疾病中的应用
《Scientific Reports》:Explainable machine learning integrating environmental chemical biomarkers and maternal clinical factors for prediction of hypertensive disorder of pregnancy
【字体: 大 中 小 】 时间:2026年07月10日 来源:Scientific Reports 4.9
编辑推荐:
摘要妊娠期高血压疾病是导致孕产妇发病的重要原因,但目前在预测模型中,那些会增加妊娠期高血压疾病风险的环境化学因素仍缺乏清晰的认识。我们利用韩国儿童环境健康研究(Ko-CHENS)前瞻性出生队列中4,260名孕妇的数据,开发并评估了一种可解释的机器学习模型,该模型将环境生物标志物与
妊娠期高血压疾病是导致孕产妇发病的重要原因,但目前在预测模型中,那些会增加妊娠期高血压疾病风险的环境化学因素仍缺乏清晰的认识。我们利用韩国儿童环境健康研究(Ko-CHENS)前瞻性出生队列中4,260名孕妇的数据,开发并评估了一种可解释的机器学习模型,该模型将环境生物标志物与孕产妇的临床特征相结合,用于预测妊娠期高血压疾病。该模型采用极端梯度提升(XGBoost)分类器,纳入了18种环境生物标志物,包括血铅、镉、汞以及内分泌干扰物等,同时还考虑了孕产妇的临床相关变量。模型通过分层60/20/20的数据划分方式进行训练,并采用贝叶斯方法优化超参数。经过优化后,该模型在交叉验证中的ROC-AUC值为0.787,在独立测试中的ROC-AUC值为0.748(95%置信区间:0.587–0.887);在类别严重不平衡的情况下(妊娠期高血压疾病患病率为1.7%),其阴性预测值高达0.994。SHapley加性解释方法分析显示,妊娠晚期的血铅浓度和孕前的体重指数是主要的预测因子,二者均呈现非线性的风险变化趋势;正式的SHAP交互作用值占总贡献度的1.6%,而独立逻辑回归分析得到的交互项系数为β=0.418,95%置信区间为?0.278–1.115,p=0.239,表明体重指数与血铅之间的影响是叠加关系而非协同作用。这些研究结果表明,环境生物标志物具有独立的、非线性的预测价值,能够补充现有的临床风险因素,有助于将环境暴露监测纳入精准的产科风险分层体系中。
生物通微信公众号