机器学习联合红外光谱技术用于妊娠期高血压检测：迈向新生儿及孕妇血液分析

《BMC Pregnancy and Childbirth》：Machine learning combined with infrared spectroscopy for detection of hypertension pregnancy: towards newborn and pregnant blood analysis

妊娠期高血压疾病（HDP）严重威胁母婴健康，为探寻有效诊断方法，研究人员开展基于 FT-IR 光谱分析血浆样本检测子痫前期生物标志物的研究。结果显示，FT-IR 光谱可区分孕妇和新生儿血浆样本，新生儿血浆对构建子痫前期诊断模型更具潜力，有助于早期诊断和防治。

　　妊娠期高血压疾病（Hypertensive disorders of pregnancy，HDP），像子痫前期（Preeclampsia，PE）和子痫，堪称全球范围内孕产妇死亡的 “二号杀手”，也是导致早产的重要因素。在巴西，PE 更是围产期死亡的主要诱因之一。当前，PE 的诊断面临诸多挑战，传统检测方法或是有创，或是灵敏度欠佳，难以精准、早期地发现疾病，迫切需要新的诊断手段。在此背景下，来自巴西和爱尔兰等机构的研究人员开展了一项研究，相关成果发表在《BMC Pregnancy and Childbirth》上。

研究人员运用了多种关键技术方法。他们从巴西陶巴特市立大学医院（Municipal University Hospital of Taubaté，HMUT）招募了 30 名孕妇及其新生儿，构建了对照孕妇组（Control Pregnant Women，CG）、子痫前期孕妇组（Pregnant Women with Pre-eclampsia，GPre）、CG 组新生儿脐带血组（NControl）和 GPre 组新生儿脐带血组（NPre）。采集血液样本后，通过离心获取血浆并储存。采用傅里叶变换红外光谱（Fourier transform infrared spectroscopy，FT-IR）技术分析血浆样本，利用偏最小二乘法判别分析（Partial least squares discriminant analysis，PLS-DA）等统计方法处理数据。

在分析所有研究组时，研究人员发现基于 FT-IR 光谱和 PLS-DA 构建的模型，虽能判断样本属于新生儿还是母亲血浆，但难以区分血浆来自对照组还是子痫前期组。对新生儿与孕妇组的对比分析显示，PLS-DA 模型能以 99.7% 的准确率区分新生儿和孕妇血浆组，且仅需 10 个波数即可达成。在新生儿对照组和子痫前期组的分析中，发现两组血浆在 900 - 1200 cm^-1区域存在主要差异，涉及磷酸化和碳水化合物相关的 FT-IR 光谱区域。不过，由于每组样本数量较少，目前构建的预测模型准确率最高仅 63.3% ，当样本量增加时，有望提升模型性能。对于孕妇对照组和子痫前期组，基于母亲血浆的区分并不明晰，这可能与子痫前期孕妇血浆体积减少、样本个体差异等因素有关。

这项研究意义重大。研究表明 FT-IR 光谱技术在子痫前期诊断方面颇具潜力，新生儿血浆在构建分类模型诊断子痫前期上更具前景。若增加样本量，可进一步提升模型的预测准确性。该技术作为一种非侵入性检测手段，未来有望为子痫前期的早期诊断和监测提供有力支持，助力改善孕产妇和新生儿的健康状况，在临床应用中具有广阔的发展空间。但研究也存在局限性，如设备成本较高，且需要更多临床研究和大样本验证，以巩固技术并提升医疗团队的认知。