Multivariat AI-baserad analys av immun–livsstilsmönster kopplade till upprepade missfall: en explorativ retrospektiv studie

Varför detta är viktigt för hoppfulla föräldrar

För många par är att förlora mer än en graviditet en osynlig hjärtesorg som verkar komma utan varning eller tydliga svar. Denna studie undersöker om vardagliga faktorer som kroppsvikt och rökning, tillsammans med subtila tecken från immunsystemet, kan bilda ett igenkännbart mönster som hjälper läkare att uppskatta en kvinnas risk för upprepade missfall. Genom att använda en modern form av artificiell intelligens för att analysera rutinmässiga blodprov från tiotusentals kvinnor vill forskarna omvandla spridda laboratorievärden till praktisk vägledning för förebyggande åtgärder och vård.

Söker mönster bakom upprepade förluster

Rekurrent graviditetsförlust (RPL) definieras vanligtvis som två eller fler missfall före 24:e graviditetsveckan och drabbar upp till en av tjugo kvinnor som försöker bli gravida. Hos ungefär hälften av dessa fall avslöjar standardiserade medicinska undersökningar ingen tydlig orsak. Tidigare arbete har kopplat många faktorer till graviditetsförlust, inklusive ålder, fetma, rökning, alkohol, sköldkörtelproblem och immunreaktioner mot fostret. Istället för att studera varje faktor för sig undrade teamet om ett kombinerat ”immun–livsstils”-fingeravtryck finns som skiljer kvinnor med RPL från de med normala graviditeter, och om ett sådant fingeravtryck kunde upptäckas pålitligt med en djuplärande modell.

En stor datamängd och ett smart inlärningsverktyg

Forskarna samlade avidentifierade journaler från fem fertilitetskliniker i Iran, som omfattade mer än 36 000 kvinnor som undersökts mellan 2014 och 2024. Detta inkluderade 16 818 kvinnor med historik av upprepade missfall och 19 979 kvinnor med framgångsrika graviditeter. För varje kvinna samlade de 22 uppgifter: ålder, kroppsmassindex (BMI), rök- och alkoholvanor, grundläggande hormonnivåer och vitaminer, antal olika immunceller i blodet och ett paneltest för autoantikroppar som ibland kan angripa kroppens egna vävnader. De tränade sedan en specialiserad djuplärande modell, kallad TabNet, som är utformad för att fungera väl med tabellliknande medicinska data och kan belysa vilka indata som påverkar besluten mest. Noggranna kontroller användes för att förhindra överinlärning och för att säkerställa att modellen inte av misstag lärde sig från dolda ledtrådar som dataordning eller särdrag hos saknade värden.

Vad modellen lärde sig från siffrorna

På osedd valideringsdata separerade AI:n kvinnor med RPL-relaterade immun–livsstilsmönster från friska kontroller med mycket hög noggrannhet. Den totala korrektheten var cirka 95 %, med känslighet (att fånga drabbade kvinnor) nära 97 % och specificitet (att korrekt identifiera friska kvinnor) över 92 %. Ett standardmått, area under ROC-kurvan, var 0,985, vilket indikerar utmärkt särställning mellan de två grupperna. Viktigt är att modellens riskuppskattningar var väl kalibrerade: förutspådda sannolikheter stämde väl överens med de faktiska frekvenserna av RPL-liknande mönster i data. Upprepad korsvalidering och tester med blandade etiketter visade att prestandan var robust och inte berodde på slump eller dolda snedvridningar i datasetet.

Hur livsstil och immunitet samverkar

Genom att granska vilka egenskaper modellen lutade sig mest mot fann författarna att vissa immunmarkörer, särskilt balansen mellan två typer av hjälpar-T-celler (ofta sammanfattat som Th1/Th2-förhållandet) och förhållandet mellan CD4 och andra T-celler, spelade ledande roller. Dessa signaler kompletterades av BMI, ålder, B-cellsmarkörer och flera autoantikroppar, vilket tyder på att både immunaktivitet och metabol status påverkar risken. Analysen stöder en bild där övervikt och rökning främjar låggradig inflammation och en mer aggressiv immunprofil, vilket i sin tur kan rubba den tolerans som behövs för att en graviditet ska utvecklas väl. Även faktorer som verkade mindre viktiga i genomsnitt, som sköldkörtelantikroppar eller vitamin D, hjälpte ibland modellen när annan data saknades, vilket understryker att många små signaler kan addera upp.

Från komplex data till verkliga beslut

Eftersom de nödvändiga testerna redan är vanliga på fertilitetskliniker byggde teamet ett enkelt webbgränssnitt: kliniker kan ladda upp ett kalkylblad med de 22 mätvärdena och få en rapport som beskriver kvinnans immun–livsstilsprofil och uppskattad sannolikhet för en framtida levande födsel. Författarna betonar att verktyget inte är en spåkula för graviditetsutfall, och det omdefinierar inte sjukdomstyper. Istället erbjuder det ett sätt att identifiera kvinnor vars immun- och livsstilsmönster tyder på högre risk, så att läkare kan prioritera åtgärder som vikthantering, rökstopp och, där det är lämpligt, immunmodulerande behandlingar innan nästa graviditet.

Vad detta innebär för patienter

Studien visar att modern AI kan väva ihop vardagliga hälsovanor och detaljerade immunavläsningar till en enhetlig, pålitlig riskbild för upprepade missfall. För patienter kan detta innebära att man går från vaga försäkringar eller försök-med-och- misstag-behandlingar mot mer skräddarsydd rådgivning: vem som klarar sig med livsstilsförändringar, vem som kan dra nytta av närmare immunutredning och vem som verkar vara relativt låg risk. Modellen behöver fortfarande testas i andra länder och kliniska miljöer, men den pekar mot en framtid där ett rutinblodprov och en smart algoritm kan ge par klarare förväntningar och mer riktat stöd på vägen mot ett friskt barn.

Citering: Dashti, M., Aslanian-Kalkhoran, L., Doustfateme, S. et al. Multivariable AI-based analysis of immune–lifestyle patterns associated with recurrent pregnancy loss: an exploratory retrospective study. Sci Rep 16, 8250 (2026). https://doi.org/10.1038/s41598-026-38941-6

Nyckelord: upprepade missfall, immunsystemet, livsstilsfaktorer, djuplärande, fertilitetsvård