复发性流产危险因素分析及流产风险预测
2024年2月8日 更新者：RenJi Hospital
复发性流产危险因素分析及复发性流产患者流产风险预测的回顾性研究
根据复发性流产患者的综合病因筛查结果，包括基本特征、凝血功能指标、自身免疫指标、内分泌指标、妇科超声检查结果以及患者就诊后的后续妊娠结局，分析独立的妊娠结局。研究影响反复流产的危险因素，构建并验证流产风险预测模型，预测反复流产患者后续流产的风险，并对患者进行风险分类，筛查高危人群，指导临床早期干预和积极治疗提高怀孕成功率。
研究概览
详细说明
- 研究人群和随访：患者在初次咨询时常规获取病史信息，并每隔 4-6 周进行至少两次病原学筛查；在此期间，排卵后5-9天进行性激素测试和子宫动脉超声检查。 如果自身抗体测试两次或多次呈阳性，则视为异常。 结合两次病因筛查结果以及性激素和子宫动脉超声结果，给予抗凝、抗血小板或免疫抑制剂药物治疗至少2个月，然后再次进行凝血、免疫指标和子宫动脉超声检查评估各项指标是否改善，达到备孕标准的患者将根据辅助生殖或自然受孕方案给予适当的备孕。 如果备孕三个月后仍未怀孕，需门诊重新评估、调整方案；若患者怀孕，需门诊咨询，评估孕后情况并调整治疗方案；此后每两周监测一次血小板聚集率（AA和ADP）、D-二聚体和纤维蛋白降解产物（FDP），每四周监测一次自身抗体、凝血、肝肾常规、血细胞计数、甲状腺功能和将监测相应的孕周。 进行产科超声检查，及时调整用药。 如果患者在妊娠28周前经刮宫后超声检查或组织学检查证实发生自然流产，包括生化妊娠和胚胎停顿，则妊娠结局判断为妊娠丢失，如果患者随访32周以上仍存在宫内可行妊娠。周，妊娠结局判定为妊娠成功，生殖免疫门诊随访结束。 在本研究中，仅收集初次就诊后的第一次妊娠结局，如果患者发生妊娠结局事件则结束随访。 截至 2023 年 12 月 31 日没有发生妊娠结局事件的患者被排除在本研究之外，而发生妊娠结局事件的患者则通过编译纳入患者初次就诊时收集的病史信息纳入研究，并通过回诊后查询病历系统，录入病原学筛查实验室指标和超声结果以及首次妊娠结局。
- 数据采集：初诊时病史采集、门诊病历系统查询收集化验指标及超声结果、门诊或电话随访后首次妊娠结局，“EpiData”软件数据录入；
- 数据处理：数据清洗去重、缺失值插值、变量分类独特热编码、杂合率<0.1变量剔除；特征工程描述性统计、相关性分析、异常值处理；数据集划分，根据妊娠结局将数据按照7:3的比例随机分为训练集和测试集；
- 预测因素筛选：反复流产患者流产危险因素的t检验、方差分析（ANOVA）、非参数检验、卡方检验等分析；或根据分析结果结合既往研究结果和临床专业知识或LASSO回归（最后绝对收缩率和最后绝对收缩率和最后绝对收缩率和最后绝对收缩率）。 （最小绝对收缩和选择算子，LASSO 回归）。 方法1：在训练集中进行单因素方差分析（ANOVA），筛选反复流产患者中与流产相关的危险因素。 连续数据采用两独立样本t检验，非正态分布数据采用Mann-Whitney检验；对于分类数据，使用卡方检验或费舍尔精确检验（FET）。 对于分类数据，使用卡方检验或费舍尔精确检验。 小于 0.05 的两侧 p 值被认为具有统计显着性。 然后将差异变量纳入逐步回归的多因素逻辑分析中，以筛选预测复发性流产患者妊娠丢失的独立危险因素。 方法2：使用LASSO回归（最小绝对收缩和选择算子）在训练集中进行特征选择。 基本原理是在普通最小二乘的基础上引入L1正则化项，通过最小化目标函数，筛选与结果变量相关的重要特征，同时设置不相关或不相关的系数，实现模型的特征选择和系数稀疏化。冗余特征为零。 在拟合过程中，通过调整正则化参数来控制特征的稀疏度。 使用交叉验证或网格搜索等方法找到最佳正则化参数。 根据训练好的Lasso回归模型得到所有特征的系数。 按绝对值降序对系数进行排序。 设置阈值以保留系数大于阈值的特征。
- 预测模型构建：利用训练集数据通过逻辑回归、K近邻、决策树、线性判别、神经网络、随机森林、支持向量机、梯度提升、极限梯度提升等机器学习方法构建模型、光梯度提升或深度学习。
- 内部验证方法：在训练集内使用k折交叉验证来比较模型性能，选择最优模型来调整超参数，然后在测试集中测试模型的泛化能力。
- 模型性能比较：计算C统计量（曲线下面积AUC）、准确率、精密度、召回率、F1评分，并绘制校准曲线、临床决策曲线和临床影响曲线，比较不同模型的预测性能。
- 风险分层：根据模型将患者分为低风险和高风险，应用于患者的临床评估和妊娠监督管理。 提出风险分层，基于逻辑回归构建柱线图并计算每个患者的柱线图评分，并根据Youden指数确定最佳评分阈值；低于或等于最佳评分阈值的患者被归类为低风险亚组，高于最佳评分阈值的患者被归类为高风险亚组。 使用皮尔逊卡方检验通过比较低风险和高风险亚组之间妊娠结局的差异来确定风险分层的有效性。
- 模型可视化：柱线图、风险评分量表和“SHAP”用于解释模型。
研究类型
观察性的
注册 (估计的)
1000
联系人和位置
本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。
学习联系方式
- 姓名：Mingyang Li
- 电话号码：86+15026849150
- 邮箱：1042217951@qq.com
学习地点
-
-
Shanghai
-
Shanghai、Shanghai、中国、200127
- Renji Hospital Affiliated to Shanghai Jiao Tong University School of Medicine
-
接触：
- Mingyang Li
- 电话号码：86+15026849150
- 邮箱：1042217951@qq.com
-
-
参与标准
研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
- 成人
接受健康志愿者
不
取样方法
概率样本
研究人群
就诊前与同一伴侣在妊娠28周之前发生过两次或两次以上自然流产（包括生化妊娠，不包括胚胎染色体异常导致的自然流产）的患者纳入本研究
描述
纳入标准：
- 复发性流产的诊断：就诊前与同一性伴侣在妊娠28周之前发生过两次或两次以上自然流产（包括生化妊娠，不包括胚胎染色体异常导致的自然流产）的患者纳入本研究；
- ≥20岁；
- 完成初步病史采集并完成病原学筛查计划的完整结果；
- 了解研究的目的和意义，同意并签署知情同意书；
排除标准：
- 第一次就诊时怀孕；
- 存在严重怀孕禁忌症，不宜怀孕；
- 自愿退出妊娠或退出研究；
- 截至随访终点（2023年12月31日）无妊娠结局，表明未妊娠；
- 失访，无法获得妊娠结局；
- 就诊后的后续妊娠结局包括异位妊娠、葡萄胎、胎儿畸形和先前剖宫产疤痕部位妊娠。
学习计划
本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。
研究是如何设计的？
设计细节
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
怀孕成功
随访32周以上宫内妊娠的患者被判定为妊娠成功。
|
血液学特征包括凝血指标、自身免疫指标和内分泌指标。
子宫动脉血流超声指标包括子宫内膜厚度、子宫内膜动脉血流参数、双侧子宫动脉血流参数。
人口学特征包括年龄、既往自然流产次数（包括生化妊娠）、BMI、生育史、既往疾病史、染色体状况、家族和遗传史等。
|
|
妊娠失败
妊娠28周前经超声或刮宫术经组织学证实自然流产的患者，包括生化妊娠和胚胎停滞，判定为妊娠丢失
|
血液学特征包括凝血指标、自身免疫指标和内分泌指标。
子宫动脉血流超声指标包括子宫内膜厚度、子宫内膜动脉血流参数、双侧子宫动脉血流参数。
人口学特征包括年龄、既往自然流产次数（包括生化妊娠）、BMI、生育史、既往疾病史、染色体状况、家族和遗传史等。
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
成功怀孕的参与者人数
大体时间：宫内妊娠妊娠 32 周的随访或随访截止时间
|
如果患者随访宫内妊娠超过32周，则判定妊娠结局为成功妊娠，生殖免疫门诊随访结束。
|
宫内妊娠妊娠 32 周的随访或随访截止时间
|
|
流产的参与者人数
大体时间：经会诊妊娠28周前发生自然流产的时间
|
妊娠28周前经超声或刮宫术经组织学证实自然流产的患者，包括生化妊娠和胚胎停滞，判定为妊娠丢失。
|
经会诊妊娠28周前发生自然流产的时间
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
调查人员
- 首席研究员：Aimin Zhao, MD、Renji Hospital Affiliated to Shanghai Jiao Tong University School of Medicine
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (估计的)
2024年1月31日
初级完成 (估计的)
2024年12月31日
研究完成 (估计的)
2024年12月31日
研究注册日期
首次提交
2024年1月31日
首先提交符合 QC 标准的
2024年2月7日
首次发布 (实际的)
2024年2月8日
研究记录更新
最后更新发布 (实际的)
2024年2月12日
上次提交的符合 QC 标准的更新
2024年2月8日
最后验证
2024年2月1日
更多信息
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.