多种机器学习算法构建新生儿低血糖症预测模型

doi:10.12280/gjfckx.20251231

摘要/Abstract

摘要：

目的：比较多种机器学习算法在构建新生儿低血糖症（neonatal hypoglycemia，NH）预测模型中的性能，以期早期识别可能分娩低血糖新生儿的高危孕妇。方法：回顾性分析2021年1月—2025年7月山西省儿童医院收治的286例孕妇，将其按照7∶3比例随机分成训练集（200例）和测试集（86例），主要结局指标为是否发生NH。特征筛选采用单因素分析、LASSO回归和Boruta算法，基于所筛选出的特征构建预测模型，应用Bootstrap交叉验证进行模型验证。结果：通过单因素分析、LASSO回归和Boruta特征筛选发现，妊娠前体质量指数、妊娠期增重、分娩方式、妊娠期糖尿病、妊娠期高血压疾病、促胎肺成熟治疗、新生儿出生体质量和早产是NH的影响因素（P<0.05）。在训练集中，随机森林、决策树、支持向量机和Logistic回归模型的AUC分别为0.967、0.943、0.800和0.955，在测试集中则分别为0.921、0.860、0.882和0.910，综合比较训练集和测试集的性能指标，随机森林模型的性能最优。结论：随机森林模型可用来预测NH发生风险，具有较高的临床应用价值。

关键词: 低血糖症, 婴儿，新生, 机器学习, 预测模型, 妊娠期管理

Abstract:

Objective: To compare the performance of multiple machine learning algorithms in developing predictive models for neonatal hypoglycemia (NH), with the aim of early identification of high-risk pregnant women likely to deliver neonates with hypoglycemia. Methods: A retrospective analysis was conducted on 286 pregnant women admitted to Shanxi Children's Hospital from January 2021 to July 2025. Participants were randomly allocated into a training set (n=200) and a test set (n=86) at a 7:3 ratio. The primary outcome measure was the occurrence of NH. Feature selection was performed using univariate analysis, LASSO regression, and the Boruta algorithm. Predictive models were constructed based on the selected features, and Bootstrap cross-validation was applied for model validation. Results: Through univariate analysis, LASSO regression, and Boruta feature selection, pre-pregnancy body mass index, gestational weight gain,mode of delivery,gestational diabetes mellitus, hypertensive disorders of pregnancy, antenatal corticosteroid therapy for fetal lung maturation, neonatal birth weight,and preterm birth were identified as influencing factors for NH (P<0.05). In the training set, the AUC values for the random forest, decision tree, support vector machine, and Logistic regression models were 0.967, 0.943, 0.800, and 0.955, respectively; the corresponding values in the test set were 0.921, 0.860, 0.882, and 0.910, respectively. A comprehensive comparison of performance metrics across both the training and test sets demonstrated that the random forest model achieved superior overall performance. Conclusions: The random forest model can be applied to predict the risk of NH occurrence and demonstrates considerable clinical utility.

Key words: Hypoglycemia, Infant, newborn, Machine learning, Predictive model, Pregnancy management

赵维丽, 胡丽燕. 多种机器学习算法构建新生儿低血糖症预测模型[J]. 国际妇产科学杂志, 2026, 53(3): 261-266.

ZHAO Wei-li, HU Li-yan. Multiple Machine Learning Algorithms to Build A Prediction Model for Neonatal Hypoglycemia[J]. Journal of International Obstetrics and Gynecology, 2026, 53(3): 261-266.

图/表 9

参考文献 20

[1]	Wang LY, Wang LY, Sung MI, et al. Implementing Explainable Machine Learning Models for Practical Prediction of Early Neonatal Hypoglycemia[J]. Diagnostics(Basel), 2024, 14(14):1571. doi: 10.3390/diagnostics14141571.
[2]	De Angelis LC, Brigati G, Polleri G, et al. Neonatal Hypoglycemia and Brain Vulnerability[J]. Front Endocrinol(Lausanne), 2021, 12:634305. doi: 10.3389/fendo.2021.634305.
[3]	De Rose DU, Perri A, Maggio L, et al. Neonatal hypoglycemia and neurodevelopmental outcomes: Yesterday, today, tomorrow[J]. Eur J Pediatr, 2024, 183(3):1113-1119. doi: 10.1007/s00431-023-05405-2. pmid: 38180635
[4]	Beardsall K. Hyperglycaemia in the Newborn Infant. Physiology Verses Pathology[J]. Front Pediatr, 2021, 9:641306. doi: 10.3389/fped.2021.641306.
[5]	Horwitz J, Mardiros L, Musa A, et al. Scoping review of evidence for managing postnatal hypoglycaemia[J]. BMJ Open, 2022, 12(2):e053047. doi: 10.1136/bmjopen-2021-053047.
[6]	Edmundson K, Jnah AJ. Neonatal Hypoglycemia[J]. Neonatal Netw, 2024, 43(3):156-164. doi: 10.1891/NN-2023-0068. pmid: 38816219
[7]	Wang D, Zhou X, Ning J, et al. Risk factors for neonatal hypoglycemia: a meta-analysis[J]. BMC Endocr Disord, 2024, 24(1):166. doi: 10.1186/s12902-024-01700-7. pmid: 39215269
[8]	Rouhana S, Hallit S, Nicolas G. The association of maternal pre-pregnancy Body Mass Index and gestational weight gain with pregnancy and neonatal outcomes[J]. Ir J Med Sci, 2024, 193(1):303-312. doi: 10.1007/s11845-023-03472-w.
[9]	Quiñones-Ossa GA, Lobo C, Garcia-Ballestas E, et al. Obesity and Stroke: Does the Paradox Apply for Stroke?[J]. Neurointervention, 2021, 16(1):9-19. doi: 10.5469/neuroint.2020.00108. pmid: 33389919
[10]	王卫平, 孙锟, 常文立. 儿科学[M]. 北京: 人民卫生出版社,2018:134-135.
[11]	Khan J, Muhammad Safwan Q, Shad H, et al. The Frequency of Hypoglycemia and Its Symptoms in Preterm Neonates in the First 24 Hours[J]. Cureus, 2024, 16(6):e62356. doi: 10.7759/cureus.62356.
[12]	Milincic M, Cirkovic A, Ivanovic K, et al. Trimester-Specific Serum Lipid Profiles in Gestational Diabetes Mellitus: A Systematic Review, Meta-Analysis, and Meta-Regression[J]. Medicina(Kaunas), 2025, 61(7):1290. doi: 10.3390/medicina61071290.
[13]	Bouchghoul H, Alvarez JC, Verstuyft C, et al. Transplacental transfer of glyburide in women with gestational diabetes and neonatal hypoglycemia risk[J]. PLoS One, 2020, 15(5):e0232002. doi: 10.1371/journal.pone.0232002.
[14]	Ngwezi DP, Savu A, Yeung RO, et al. Temporal Trends in Type 1, Type 2, and Gestational Diabetes in Pregnancy: Impact of Rural Residence, Ethnicity, and Material Deprivation[J]. Can J Diabetes, 2023, 47(8):672-679.e3. doi: 10.1016/j.jcjd.2023.07.007.
[15]	Lindsay KL, Gyllenhammer LE, Entringer S, et al. Rate of Gestational Weight Gain and Glucose-Insulin Metabolism Among Hispanic Pregnant Women With Overweight and Obesity[J]. J Clin Endocrinol Metab, 2022, 107(2):e734-e744. doi: 10.1210/clinem/dgab655.
[16]	Louwen F, Kreis NN, Ritter A, et al. Maternal obesity and placental function: impaired maternal-fetal axis[J]. Arch Gynecol Obstet, 2024, 309(6):2279-2288. doi: 10.1007/s00404-024-07462-w. pmid: 38494514
[17]	Priyanka P, Abraham K, Navneetham P, et al. Vaginal birth as compared with cesarean section in preterm twins-Experience from a tertiary center of a middle-income country[J]. Int J Gynaecol Obstet, 2023, 161(2):560-567. doi: 10.1002/ijgo.14589.
[18]	McElwee ER, Wilkinson K, Crowe R, et al. Latency of late preterm steroid administration to delivery and risk of neonatal hypoglycemia[J]. Am J Obstet Gynecol MFM, 2022, 4(5):100687. doi: 10.1016/j.ajogmf.2022.100687.
[19]	Betts KS, Kisely S, Alati R. Predicting neonatal respiratory distress syndrome and hypoglycaemia prior to discharge: Leveraging health administrative data and machine learning[J]. J Biomed Inform, 2021, 114:103651. doi: 10.1016/j.jbi.2020.103651.
[20]	Zhang Z, Feng Y, Zhang Y, et al. Predicting Neonatal Hypoglycemia Using AI Neural Networks in Infants from Mothers with Gestational Diabetes Mellitus[J]. Med Sci Monit, 2024, 30:e944513. doi: 10.12659/MSM.944513.

变量	非低血糖组（n=154）	低血糖组（n=132）	t或χ²	P
妊娠前BMI（kg/m²）	21.56（19.47，23.44）	23.96（22.08，27.29）	5.955	<0.001
新生儿性别			0.244	0.621
男	85（55.19）	69（52.27）
女	69（44.81）	63（47.73）
母亲年龄			3.379	0.066
<35岁	129（83.77）	99（75.00）
≥35岁	25（16.23）	33（25.00）
辅助生殖			0.002	0.967
否	146（94.81）	125（94.70）
是	8（5.19）	7（5.30）
受教育程度			6.146	0.013
高中及以下	58（37.66）	69（52.27）
大学及以上	96（62.34）	63（47.73）
保胎史			0.357	0.550
否	119（77.27）	98（74.24）
是	35（22.73）	34（25.76）
妊娠期增重			18.621	<0.001
正常	100（64.94）	52（39.39）
异常	54（35.06）	80（60.61）
分娩方式			112.077	<0.001
顺产	111（72.08）	13（9.85）
剖宫产	43（27.92）	119（90.15）
妊娠期糖尿病			66.211	<0.001
否	131（85.06）	51（38.64）
是	23（14.94）	81（61.36）
妊娠期高血压疾病			32.408	<0.001
否	148（96.10）	95（71.97）
是	6（3.90）	37（28.03）
促胎肺成熟治疗			30.689	<0.001
否	146（94.81）	93（70.45）
是	8（5.19）	39（29.55）
胎膜早破			0.326	0.568
否	131（85.06）	109（82.58）
是	23（14.94）	23（17.42）
脐带缠绕			2.939	0.086
否	106（68.83）	78（59.09）
是	48（31.17）	54（40.91）
不良孕史			1.676	0.195
否	121（78.57）	95（71.97）
是	33（21.43）	37（28.03）
新生儿出生体质量			39.135	<0.001
<2 500 g	7（4.55）	23（17.42）
≥2 500~4 000 g	143（92.86）	83（62.88）
≥4 000 g	4（2.60）	26（19.70）
早产			22.064	<0.001
否	145（94.16）	98（74.24）
是	9（5.84）	34（25.76）

变量	非低血糖组（n=154）	低血糖组（n=132）	t或χ²	P
妊娠前BMI（kg/m²）	21.56（19.47，23.44）	23.96（22.08，27.29）	5.955	<0.001
新生儿性别			0.244	0.621
男	85（55.19）	69（52.27）
女	69（44.81）	63（47.73）
母亲年龄			3.379	0.066
<35岁	129（83.77）	99（75.00）
≥35岁	25（16.23）	33（25.00）
辅助生殖			0.002	0.967
否	146（94.81）	125（94.70）
是	8（5.19）	7（5.30）
受教育程度			6.146	0.013
高中及以下	58（37.66）	69（52.27）
大学及以上	96（62.34）	63（47.73）
保胎史			0.357	0.550
否	119（77.27）	98（74.24）
是	35（22.73）	34（25.76）
妊娠期增重			18.621	<0.001
正常	100（64.94）	52（39.39）
异常	54（35.06）	80（60.61）
分娩方式			112.077	<0.001
顺产	111（72.08）	13（9.85）
剖宫产	43（27.92）	119（90.15）
妊娠期糖尿病			66.211	<0.001
否	131（85.06）	51（38.64）
是	23（14.94）	81（61.36）
妊娠期高血压疾病			32.408	<0.001
否	148（96.10）	95（71.97）
是	6（3.90）	37（28.03）
促胎肺成熟治疗			30.689	<0.001
否	146（94.81）	93（70.45）
是	8（5.19）	39（29.55）
胎膜早破			0.326	0.568
否	131（85.06）	109（82.58）
是	23（14.94）	23（17.42）
脐带缠绕			2.939	0.086
否	106（68.83）	78（59.09）
是	48（31.17）	54（40.91）
不良孕史			1.676	0.195
否	121（78.57）	95（71.97）
是	33（21.43）	37（28.03）
新生儿出生体质量			39.135	<0.001
<2 500 g	7（4.55）	23（17.42）
≥2 500~4 000 g	143（92.86）	83（62.88）
≥4 000 g	4（2.60）	26（19.70）
早产			22.064	<0.001
否	145（94.16）	98（74.24）
是	9（5.84）	34（25.76）

模型名称		准确率	召回率	F1分数	精确率	AUC
训练集	RF	0.915	0.913	0.908	0.903	0.967
	DT	0.890	0.870	0.879	0.889	0.943
	SVM	0.690	0.511	0.603	0.734	0.800
	LR	0.915	0.913	0.908	0.903	0.955
测试集	RF	0.837	0.800	0.821	0.842	0.921
	DT	0.837	0.800	0.821	0.842	0.860
	SVM	0.834	0.700	0.767	0.849	0.882
	LR	0.861	0.800	0.842	0.889	0.910

模型名称		准确率	召回率	F1分数	精确率	AUC
训练集	RF	0.915	0.913	0.908	0.903	0.967
	DT	0.890	0.870	0.879	0.889	0.943
	SVM	0.690	0.511	0.603	0.734	0.800
	LR	0.915	0.913	0.908	0.903	0.955
测试集	RF	0.837	0.800	0.821	0.842	0.921
	DT	0.837	0.800	0.821	0.842	0.860
	SVM	0.834	0.700	0.767	0.849	0.882
	LR	0.861	0.800	0.842	0.889	0.910

数据集	准确率	召回率	F1分数	精确率	AUC
训练集交叉验证	0.823	0.867	0.817	0.777	0.906
测试集交叉验证	0.745	0.718	0.723	0.744	0.847