基于多变量人工智能的免疫–生活方式模式与复发性妊娠丢失相关性的分析：一项探索性回顾性研究

这对怀有希望的父母为何重要

对于许多夫妇来说，接连失去多个妊娠是一种看不见的心碎，似乎没有预警也无明确答案。本研究探讨日常因素（如体重和吸烟）与免疫系统的微妙信号是否会形成可识别的模式，帮助医生评估女性反复流产的风险。研究者利用一种现代人工智能方法分析数万名女性的常规血液检测数据，旨在将散落的化验数字转化为可用于预防和护理的实用指导。

寻找反复流产背后的模式

复发性妊娠丢失（RPL）通常定义为在妊娠24周之前发生两次或两次以上流产，影响多达二十名试图受孕女性中的一名。在约一半的病例中，常规医学检测未能找出明确原因。以往研究将许多因素与妊娠丢失联系起来，包括年龄、肥胖、吸烟、饮酒、甲状腺问题和对胎儿的免疫反应。本团队没有逐一单独研究每个因素，而是询问是否存在一种综合的“免疫–生活方式”指纹，能将RPL女性与健康妊娠者区分开，并且这种指纹能否通过深度学习模型可靠检测到。

庞大数据集与智能学习工具

研究者收集了来自伊朗五家生育中心的脱识别病历，覆盖2014年至2024年间就诊的3.6万多名女性。其中包括16,818名有复发性流产史的女性和19,979名成功妊娠的女性。对每位女性，他们收集了22项信息：年龄、体质指数（BMI）、吸烟和饮酒情况、基础激素和维生素水平、血液中不同免疫细胞的计数，以及一组可能攻击自身组织的自身抗体。随后他们训练了一种专门的深度学习模型，称为TabNet，该模型专为处理表格型医疗数据而设计，并能突出显示哪些输入对其决策最重要。研究中使用了严格的检验手段以防止过拟合，并确保模型不会无意中从诸如数据顺序或缺失值特性等隐藏线索中学习。

模型从数据中学到了什么

在未见过的验证数据上，人工智能能够以很高的准确率将具有RPL相关免疫–生活方式模式的女性与健康对照区分开。总体正确率约为95%，灵敏度（识别受影响女性）接近97%，特异性（正确识别健康女性）高于92%。一个标准性能度量——ROC曲线下面积（AUC）为0.985，表明两组间具有极佳的区分度。重要的是，模型的风险估计校准良好：预测概率与数据中RPL样式的实际频率密切吻合。重复交叉验证和带标签打乱的测试显示，这一性能稳健，不是由于偶然或数据集中的隐藏偏差。

生活方式与免疫如何协同作用

通过检查模型依赖的特征，作者发现某些免疫标志物起主导作用，尤其是两类辅助性T细胞之间的平衡（常以Th1/Th2比值概括）以及CD4与其他T细胞的比值。这些信号与BMI、年龄、B细胞标志物和若干自身抗体共同出现，提示免疫活性和代谢状态共同塑造风险。分析支持这样一种图景：超重和吸烟促进低度炎症并使免疫基调更趋激进，进而可能破坏妊娠所需的免疫耐受性。即便是平均上看似不那么重要的因素，如甲状腺抗体或维生素D，有时在其他数据缺失时也能帮助模型，强调了许多微弱信号的累加效应。

从复杂数据到现实决策

由于所需检测在生育诊所中已属常规，该团队构建了一个简单的基于网页的界面：临床医生可以上传包含22项测量值的电子表格，收到一份描述女性免疫–生活方式特征并估算未来活产可能性的报告。作者强调，该工具并非预测妊娠结果的水晶球，也不重新定义疾病类型。相反，它提供了一种识别免疫和生活方式模式提示较高风险女性的方法，以便医生在下次妊娠前优先采取诸如体重管理、戒烟以及在适当情况下的免疫调节治疗等措施。

对患者的意义

研究表明，现代人工智能能够将日常健康习惯与详细的免疫读数编织为一幅单一且可靠的复发性妊娠丢失风险图像。对患者而言，这可能意味着从模糊的安慰或试错式治疗，转向更个性化的建议：谁仅需生活方式改变、谁可能从更深入的免疫评估中受益、以及谁的风险相对较低。该模型仍需在其他国家和临床环境中进行验证，但它指向了这样一种未来：一次常规抽血加上智能算法，能为夫妇提供更清晰的期待与更有针对性的支持，助其走向健康婴儿的道路。

引用: 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

关键词: 复发性妊娠丢失, 免疫系统, 生活方式因素, 深度学习, 生育护理