先天性心疾患を持つ妊婦における有害事象のリスクを予測する

Predicting the Risk of Adverse Events in Pregnant Women With Congenital Heart Disease.

• Ran Chu
• Wei Chen
• Guangmin Song
• Shu Yao
• Lin Xie
• Li Song
• Yue Zhang
• Lijun Chen
• Xiangli Zhang
• Yuyan Ma
• Xia Luo
• Yuan Liu
• Ping Sun
• Shuquan Zhang
• Yan Fang
• Taotao Dong
• Qing Zhang
• Jin Peng
• Lu Zhang
• Yuan Wei
• Wenxia Zhang
• Xuantao Su
• Xu Qiao
• Kun Song
• Xingsheng Yang
• Beihua Kong

抄録

背景 先天性心疾患を有する妊婦は有害事象のリスクが高いと考えられている。そこで本研究では，先天性心疾患を有する妊婦の有害事象リスクを予測することが可能な母子予測モデルを2つ構築することを目的とした。方法・結果 先天性心疾患を有する妊婦318名を対象とし、213名を開発コホート、105名を検証コホートに分けた。予測因子の選択には最小絶対収縮法と選択演算子を用いた。バリデーション後、多変量ロジスティック回帰分析を用いてモデルを作成した。モデルの予測能力をさらに検証するために、機械学習アルゴリズム（サポートベクターマシン、ランダムフォレスト、AdaBoost、決定木、k-nearest neighbor、ナイーブベイズ、多層パーセプトロン）を使用した。41人（12.9％）の女性が母体に有害なイベントを経験し、93人（29.2％）の新生児が新生児に有害なイベントを経験した。母体モデルには、ニューヨーク心臓協会クラス、アイゼンメンゲル症候群、肺高血圧、左室駆出率、洞性頻拍、動脈血中酸素飽和度、妊娠期間を含む7つの高リスク因子が検出された。機械学習に基づくアルゴリズムにより、母体モデルの精度は、開発コホートでは0.76～0.86（受信機動作特性曲線下面積＝0.74～0.87）、検証コホートでは0.72～0.86（受信機動作特性曲線下面積＝0.68～0.80）であった。新生児モデルでは、アイゼンメンゲル症候群、子癇前症、動脈血中酸素飽和度を含む3つの高リスク因子が発見された。機械学習に基づくアルゴリズムにより、新生児モデルの精度は、開発コホートでは0.75～0.80（受信機動作特性曲線下面積=0.71～0.77）、検証コホートでは0.72～0.79（受信機動作特性曲線下面積=0.69～0.76）であることが示された。結論 母体および新生児の有害事象に対する2つの出生前リスク評価モデルが確立され，先天性心疾患を有する妊婦の的確な管理と治療を行う上で臨床医の助けとなる可能性がある。

Background Women with congenital heart disease are considered at high risk for adverse events. Therefore, we aim to establish 2 prediction models for mothers and their offspring, which can predict the risk of adverse events occurred in pregnant women with congenital heart disease. Methods and Results A total of 318 pregnant women with congenital heart disease were included; 213 women were divided into the development cohort, and 105 women were divided into the validation cohort. Least absolute shrinkage and selection operator was used for predictor selection. After validation, multivariate logistic regression analysis was used to develop the model. Machine learning algorithms (support vector machine, random forest, AdaBoost, decision tree, k-nearest neighbor, naïve Bayes, and multilayer perceptron) were used to further verify the predictive ability of the model. Forty-one (12.9%) women experienced adverse maternal events, and 93 (29.2%) neonates experienced adverse neonatal events. Seven high-risk factors were discovered in the maternal model, including New York Heart Association class, Eisenmenger syndrome, pulmonary hypertension, left ventricular ejection fraction, sinus tachycardia, arterial blood oxygen saturation, and pregnancy duration. The machine learning-based algorithms showed that the maternal model had an accuracy of 0.76 to 0.86 (area under the receiver operating characteristic curve=0.74-0.87) in the development cohort, and 0.72 to 0.86 (area under the receiver operating characteristic curve=0.68-0.80) in the validation cohort. Three high-risk factors were discovered in the neonatal model, including Eisenmenger syndrome, preeclampsia, and arterial blood oxygen saturation. The machine learning-based algorithms showed that the neonatal model had an accuracy of 0.75 to 0.80 (area under the receiver operating characteristic curve=0.71-0.77) in the development cohort, and 0.72 to 0.79 (area under the receiver operating characteristic curve=0.69-0.76) in the validation cohort. Conclusions Two prenatal risk assessment models for both adverse maternal and neonatal events were established, which might assist clinicians in tailoring precise management and therapy in pregnant women with congenital heart disease.