DOI: https://doi.org/10.2147/ijgm.s587796
PMID: https://pubmed.ncbi.nlm.nih.gov/41878626
تاريخ النشر: 2026-03-01
المؤلف: Qiuxia Liu Liu وآخرون
الموضوع الرئيسي: IL-33، ST2، ومسارات ILC
نظرة عامة
تتناول هذه الدراسة فقدان الحمل المتكرر (RPL)، والذي يُعرف بأنه حدوث إجهاضين أو أكثر متتاليين قبل 20 أسبوعًا من الحمل، ويؤثر على 2-5% من النساء في سن الإنجاب. كان الهدف هو تطوير نموذج تعلم آلي (ML) للتنبؤ بفقدان الحمل المتكرر من خلال دمج مستوى IL-33 في المصل، بروتين C-reactive (CRP)، وعدد مجموعات اللمفاويات. تم تحليل مجموعة من 340 امرأة من مستشفيين، وتم تقسيم البيانات إلى مجموعات تدريب (70%) وتحقق (30%). استخدمت الدراسة الانحدار اللوجستي، وغابة عشوائية، ونماذج XGBoost، مع تقييم الأداء من خلال مقاييس مثل المساحة تحت المنحنى (AUC)، الدقة، الحساسية، النوعية، القيمة التنبؤية الإيجابية (PPV)، والقيمة التنبؤية السلبية (NPV).
أشارت النتائج إلى أن 25% من المشاركات عانين من فقدان الحمل المتكرر، مع اختلافات كبيرة في مستويات IL-33، ونسب CD4+/CD8+، ومستويات CRP، ونسب خلايا NK بين مجموعات RPL وغير RPL (جميعها p < 0.001). أظهر نموذج XGBoost أداءً متفوقًا، حيث حقق AUC قدره 0.89 في مجموعة التدريب و0.85 في مجموعة التحقق، مع مقاييس تحقق بلغت 88.1% دقة، 82.4% حساسية، و98.7% NPV. تشمل العوامل التنبؤية الرئيسية التي تم تحديدها عدد حالات الإجهاض السابقة، مستويات IL-33 في المصل، نسبة CD4+/CD8+، ومستويات CRP، مما يشير إلى وجود صلة بين تحمل المناعة، الالتهاب المزمن، ومرض فقدان الحمل المتكرر. ومع ذلك، فإن قابلية تطبيق النموذج سريريًا مقيدة بقيمته التنبؤية الإيجابية المنخفضة، وصغر حجم العينة الإيجابية، وتصميمه الرجعي، مما يبرز الحاجة إلى دراسات مستقبلية متعددة المراكز للتحقق من صحة النموذج وتعزيزه.
مقدمة
فقدان الحمل المتكرر (RPL) هو اضطراب تناسلي شائع يتميز بحدوث إجهاضين أو أكثر متتاليين قبل 20 أسبوعًا من الحمل، ويؤثر على حوالي 2-5% من النساء في سن الإنجاب. لا يسبب هذا الحالة ضررًا جسديًا فحسب، بل يؤدي أيضًا إلى ضغوط نفسية كبيرة، بما في ذلك القلق والاكتئاب. على الرغم من الأبحاث المكثفة، لا تزال أسباب RPL غير معروفة في ما يصل إلى 50% من الحالات، على الرغم من أن العوامل المعروفة تشمل الشذوذات الكروموسومية، وعيوب الرحم، واضطرابات الغدد الصماء، وخلل المناعة. من الجدير بالذكر أن عدم التوازن المناعي هو آلية حاسمة في RPL مجهول السبب، حيث يجب على الجهاز المناعي للأم تحقيق تحمل للجنين شبه الأجنبي لمنع الإجهاض.
إن الإنترلوكين-33 (IL-33)، وهو سيتوكين مهم، يشارك في تنظيم الاستجابات المناعية وتعزيز تمايز خلايا T التنظيمية، وهو أمر ضروري لتحمل الأم للجنين. تشير الدراسات الأولية إلى أن انخفاض مستويات IL-33 في المصل يرتبط بضعف تحمل المناعة وزيادة خطر RPL. بالإضافة إلى ذلك، تشير المستويات المرتفعة من بروتين C-reactive (CRP) إلى التهاب مزمن قد يعطل قابلية الرحم لاستقبال الجنين وتطور المشيمة، مما يزيد من خطر الإجهاض. كما أن التوزيعات غير الطبيعية لمجموعات اللمفاويات، وخاصة ارتفاع خلايا القاتل الطبيعي (NK) وتغير نسب CD4+/CD8+، مرتبطة أيضًا بـ RPL. غالبًا ما تكافح الطرق الإحصائية التقليدية لالتقاط العلاقات المعقدة بين هذه العلامات الحيوية. تهدف هذه الدراسة إلى الاستفادة من تقنيات التعلم الآلي (ML) لتحليل IL-33 في المصل، وCRP، وعدد اللمفاويات، وتطوير نموذج تنبؤي لـ RPL يدمج هذه العلامات الحيوية والخصائص السريرية، مما يوفر في النهاية أداة لتصنيف المخاطر المبكرة في البيئات السريرية.
الطرق
في هذه الدراسة، تم إجراء التحليلات الإحصائية وبناء نموذج التعلم الآلي (ML) باستخدام برنامج R. تم التعبير عن المتغيرات المستمرة التي تتبع توزيعًا طبيعيًا كمتوسط ± انحراف معياري (SD). لمقارنة مجموعة فقدان الحمل المتكرر (RPL) مع مجموعة غير RPL، تم استخدام اختبارات t لعينة مستقلة. بالنسبة للمتغيرات الفئوية، تم الإبلاغ عن التكرارات، وتمت المقارنات بين المجموعات باستخدام اختبار كاي-تربيع أو اختبار فيشر الدقيق عندما كانت التكرارات المتوقعة أقل من 5. تم تحديد قيمة p ذات الاتجاهين أقل من 0.05 كعتبة للدلالة الإحصائية.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. عادةً ما يتضمن بيانات كمية، وتحليلات إحصائية، وتمثيلات بصرية مثل الرسوم البيانية أو الجداول لتوضيح النتائج. غالبًا ما تتم مقارنة النتائج مع الفرضيات أو الدراسات السابقة لتسليط الضوء على الفروق المهمة أو التأكيدات.
في هذا القسم، قد يبلغ المؤلفون عن مقاييس محددة، مثل المتوسطات، والانحرافات المعيارية، أو قيم p، لدعم استنتاجاتهم. بالإضافة إلى ذلك، يتم مناقشة أي اتجاهات أو أنماط ملحوظة في البيانات، مما يوفر رؤى حول تداعيات النتائج. بشكل عام، تخدم النتائج للتحقق من أسئلة البحث المطروحة في الدراسة وتضع الأساس للنقاش والتفسير اللاحق.
المناقشة
في هذه الدراسة، تم تطوير نموذج تعلم آلي (ML) للتنبؤ بفقدان الحمل المتكرر (RPL) من خلال دمج الخصائص السريرية، ومستويات IL-33 في المصل، وبروتين C-reactive (CRP)، وعدد مجموعات اللمفاويات في مجموعة من 340 امرأة في سن الإنجاب. تشير النتائج إلى أن مرضى RPL يظهرون ملفات مناعية مميزة تتميز بانخفاض مستويات IL-33، وزيادة CRP، وتغير توزيعات اللمفاويات، مما يشير إلى وجود صلة بين خلل المناعة ومرض RPL. أظهر خوارزمية XGBoost أداءً متفوقًا، حيث حقق منطقة تحت منحنى التشغيل (AUC) قدرها 0.85 في مجموعة التحقق، متفوقًا على نماذج الانحدار اللوجستي وغابة عشوائية.
تشمل العوامل التنبؤية الرئيسية التي تم تحديدها عدد حالات الإجهاض السابقة، ومستويات IL-33 في المصل، ونسبة CD4+/CD8+، ومستويات CRP، مما يبرز أهمية تحمل المناعة والالتهاب في RPL. تشير الحساسية العالية للنموذج (82.4%) والقيمة التنبؤية السلبية (NPV) (98.7%) إلى إمكانية استخدامه في البيئات السريرية لتصنيف المخاطر، مما يسمح بالتدخلات المستهدفة. ومع ذلك، فإن القيود مثل حجم العينة الصغيرة من حالات RPL والقيمة التنبؤية الإيجابية المنخفضة (28.6%) تتطلب مزيدًا من التحقق من خلال دراسات مستقبلية أكبر ومتعددة المراكز لتعزيز قابلية تطبيق النموذج وموثوقيته في الممارسة السريرية.
DOI: https://doi.org/10.2147/ijgm.s587796
PMID: https://pubmed.ncbi.nlm.nih.gov/41878626
Publication Date: 2026-03-01
Author(s): Qiuxia Liu Liu et al.
Primary Topic: IL-33, ST2, and ILC Pathways
Overview
This study addresses recurrent pregnancy loss (RPL), defined as two or more consecutive miscarriages before 20 weeks of gestation, which affects 2-5% of reproductive-age women. The objective was to develop a machine learning (ML) model for predicting RPL by integrating serum IL-33, C-reactive protein (CRP), and lymphocyte subset counts. A cohort of 340 women from two hospitals was analyzed, with data split into training (70%) and validation (30%) sets. The study employed logistic regression, random forest, and XGBoost models, assessing performance through metrics such as area under the curve (AUC), accuracy, sensitivity, specificity, positive predictive value (PPV), and negative predictive value (NPV).
The results indicated that 25% of participants experienced RPL, with significant differences in IL-33 levels, CD4+/CD8+ ratios, CRP levels, and NK cell proportions between RPL and non-RPL groups (all p < 0.001). The XGBoost model demonstrated superior performance, achieving an AUC of 0.89 in the training set and 0.85 in the validation set, with validation metrics of 88.1% accuracy, 82.4% sensitivity, and 98.7% NPV. Key predictive factors identified include the number of previous miscarriages, serum IL-33 levels, CD4+/CD8+ ratio, and CRP levels, suggesting a link between immune tolerance, chronic inflammation, and RPL pathogenesis. However, the model's clinical applicability is constrained by its low PPV, small positive sample size, and retrospective design, highlighting the need for future multicenter prospective studies to validate and enhance the model.
Introduction
Recurrent pregnancy loss (RPL) is a prevalent reproductive disorder characterized by two or more consecutive miscarriages before 20 weeks of gestation, affecting approximately 2-5% of women of reproductive age. This condition not only inflicts physical harm but also results in significant psychological distress, including anxiety and depression. Despite extensive research, the causes of RPL remain unidentified in up to 50% of cases, although known factors include chromosomal abnormalities, uterine defects, endocrine disorders, and immune dysfunction. Notably, immunological imbalance is a critical mechanism in idiopathic RPL, where the maternal immune system must achieve tolerance to the semi-allogeneic fetus to prevent miscarriage.
Interleukin-33 (IL-33), an important cytokine, is involved in regulating immune responses and promoting regulatory T cell differentiation, which is essential for maternal-fetal tolerance. Preliminary studies suggest that lower serum levels of IL-33 correlate with impaired immune tolerance and increased RPL risk. Additionally, elevated levels of C-reactive protein (CRP) indicate chronic inflammation that may disrupt endometrial receptivity and placental development, further increasing miscarriage risk. Abnormal distributions of lymphocyte subsets, particularly elevated natural killer (NK) cells and altered CD4+/CD8+ ratios, are also associated with RPL. Traditional statistical methods often struggle to capture the complex relationships among these biomarkers. This study aims to leverage machine learning (ML) techniques to analyze serum IL-33, CRP, and lymphocyte counts, developing a predictive model for RPL that incorporates these biomarkers and clinical characteristics, ultimately providing a tool for early risk stratification in clinical settings.
Methods
In this study, statistical analyses and machine learning (ML) model construction were conducted using R software. Continuous variables that followed a normal distribution were expressed as mean ± standard deviation (SD). To compare the recurrent pregnancy loss (RPL) group with the non-RPL group, independent samples t-tests were employed. For categorical variables, frequencies were reported, and group comparisons were made using the chi-square test or Fisher’s exact test when the expected frequency was less than 5. A two-tailed p-value of less than 0.05 was established as the threshold for statistical significance.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It typically includes quantitative data, statistical analyses, and visual representations such as graphs or tables to illustrate the outcomes. The results are often compared against hypotheses or previous studies to highlight significant differences or confirmations.
In this section, the authors may report specific metrics, such as means, standard deviations, or p-values, to support their conclusions. Additionally, any observed trends or patterns in the data are discussed, providing insights into the implications of the findings. Overall, the results serve to validate the research questions posed in the study and lay the groundwork for subsequent discussion and interpretation.
Discussion
In this study, a machine learning (ML) model was developed to predict recurrent pregnancy loss (RPL) by integrating clinical characteristics, serum IL-33, C-reactive protein (CRP), and lymphocyte subset counts in a cohort of 340 reproductive-age women. The findings indicate that RPL patients exhibit distinct immunological profiles characterized by lower IL-33 levels, elevated CRP, and altered lymphocyte distributions, suggesting a link between immune dysregulation and RPL pathogenesis. The XGBoost algorithm demonstrated superior performance, achieving an area under the receiver operating characteristic curve (AUC) of 0.85 in the validation set, outperforming logistic regression and random forest models.
Key predictive factors identified include the number of previous miscarriages, serum IL-33 levels, CD4+/CD8+ ratio, and CRP levels, highlighting the importance of immune tolerance and inflammation in RPL. The model’s high sensitivity (82.4%) and negative predictive value (NPV) (98.7%) suggest its potential utility in clinical settings for risk stratification, allowing for targeted interventions. However, limitations such as a small sample size of RPL cases and low positive predictive value (28.6%) necessitate further validation through larger, multicenter prospective studies to enhance the model’s applicability and reliability in clinical practice.