简介：摘要目的分析自动机器学习（autoML）模型预测孕早期子痫前期风险的效果。方法选取2017年1月—2020年10月2 180例在济南市第二妇幼保健院建档并于孕12周进行孕检的单胎孕妇，根据整个孕期是否发生子痫前期分为子痫前期组（103例）和对照组（2 077例），比较两组孕妇临床资料和血液学指标差异，分析各指标与子痫前期发生风险的相关性。将纳入研究的孕妇按7∶3的比例随机分为训练集和测试集，应用autogluon autoML算法构建多种机器学习模型，并在训练集中进行训练和交叉验证，比较不同模型的训练和验证准确率。分析各指标在autoML模型中的重要性，以autoML模型和logistic回归模型分别对测试集孕妇孕早期子痫前期的发生风险进行预测，应用受试者工作特征（ROC）曲线对autoML模型和logistic回归模型的预测效能进行评价。结果子痫前期组年龄、孕前体质指数、孕12周体质指数、孕12周腰围、饮酒史比例、超敏C-反应蛋白（hs-CRP）、三酰甘油、低密度脂蛋白胆固醇（LDL-C）、天冬氨酸氨基转移酶（AST）、血小板分布宽度（PDW）、平均血小板体积、促甲状腺激素（TSH）、β-人绒毛膜促性腺激素水平均显著高于对照组（均P<0.05），游离三碘甲状腺原氨酸（游离T3）、游离甲状腺素（游离T4）、胎盘生长因子（PIGF）、可溶性fms样酪氨酸激酶-1（sFlt-1）、妊娠相关血浆蛋白-A（PAPP-A）均显著低于对照组（均P<0.05）。相关性分析显示，孕前体质指数、孕12周体质指数、孕12周腰围、hs-CRP、三酰甘油、AST、TSH、游离T3、游离T4、β-HCG、PIGF、sFlt-1和PAPP-A等与孕早期子痫前期风险的相关性较高；但各指标间的相关性均较低。通过autoML模型算法共构建8类18个模型，基于FastAI的神经网络_L2在训练集（0.963）和验证集（0.971）中的准确率最高；TSH、LDL-C、PDW、孕12周腰围、sFlt-1、AST等指标重要性较高，游离T4、总胆固醇、孕次、饮酒史、产次和高血压家族史重要性较低。孕早期autoML模型预测子痫前期发生风险的ROC曲线下面积显著高于logistic回归模型（0.984比0.765，P=0.002）；两种预测模型在训练集的预测准确率差异无统计学意义（P>0.05）；autoML模型在测试集的预测准确率和灵敏度均显著高于logistic回归模型（99.54%比98.32%，93.75%比75.00%，均P<0.05）。结论孕早期TSH、LDL-C、PDW、孕12周腰围、sFlt-1、AST等因素与子痫前期发生风险具有一定相关性，基于孕早期指标的autoML模型对子痫前期发生风险具有较高的预测价值。