Präeklampsie-Risiko: Machine Learning verbessert Vorhersage im ersten Trimester

Die Kombination aus klinischen Risikofaktoren und routinemäßig bestimmten Laborparametern kann mithilfe von Machine Learning die frühe Vorhersage einer Präeklampsie verbessern.

Eine frühzeitige Identifikation von Schwangeren mit erhöhtem Präeklampsierisiko ist wichtig, da präventive Maßnahmen wie die Gabe von niedrig dosierter Acetylsalicylsäure insbesondere bei einem erhöhten Risiko für eine Präeklampsie mit Entbindung vor 37 SSW eingesetzt werden können. Etablierte Risikomodelle wie das der Fetal Medicine Foundation (FMF) kombinieren unter anderem mütterliche Risikofaktoren, den mittleren arteriellen Blutdruck, den Pulsatilitätsindex der Uterusarterien und den Plazentawachstumsfaktor. Die Forschenden untersuchten, ob zusätzliche Laborparameter die Vorhersage verbessern können.

Die im Fachjournal „Genes & Diseases“ veröffentlichte retrospektive Kohortenstudie umfasste 12.715 Schwangerschaften, darunter 556 Fälle von Präeklampsie. Analysiert wurden Laborwerte aus dem ersten Trimester sowie klinische Parameter. Mithilfe verschiedener Machine-Learning-Verfahren entwickelten die Forschenden Modelle zur Vorhersage einer Frühform der Präeklampsie (mit Entbindung vor der 37. Schwangerschaftswoche) und einer Spätform der Präeklampsie (mit Entbindung nach der 37. Schwangerschaftswoche).

Verschiedene Laborparameter mit Präeklampsierisiko assoziiert

Bei Frauen, die später eine Präeklampsie entwickelten, unterschieden sich bereits im ersten Trimester zahlreiche Laborparameter von denen bei Frauen ohne Präeklampsie. Betroffen waren unter anderem Parameter der Leber- und Nierenfunktion, des Lipidstoffwechsels, der Entzündungsaktivität sowie des Mineralstoff- und Glukosestoffwechsels.

Unter anderem waren höhere Werte der Gamma-Glutamyltransferase (GGT), des C-reaktiven Proteins (CRP), des Triglycerid-Glukose-Index (TyG) und des Harnsäure-Albumin-Verhältnisses (UAR) mit einem höheren späteren Präeklampsierisiko verbunden. Für HDL-Cholesterin, Magnesium und Eisen zeigte sich dagegen ein inverser Zusammenhang.

Für mehrere Parameter fanden die Forschenden zudem nichtlineare Zusammenhänge mit dem späteren Präeklampsierisiko. Dies betraf unter anderem GGT, alkalische Phosphatase, den TyG-Index, CRP, Magnesium, Eisen und HDL-Cholesterin.

Kombination mit FMF-Modell verbessert Vorhersage

Aus den Laborparametern entwickelten die Forschenden mithilfe des Boruta-Verfahrens zur Merkmalsauswahl und verschiedener Machine-Learning-Algorithmen Modelle zur Risikovorhersage.

Für eine frühe Präeklampsie erzielte das CatBoost-Modell die beste Leistung. Wurde der daraus ermittelte Risikoscore mit dem FMF-Modell kombiniert, erreichte das Modell eine AUC von 0,954. Bei einer Falsch-positiv-Rate von 14 Prozent wurden damit 92,5 Prozent der Fälle erkannt; mit dem FMF-Modell allein waren es 65 Prozent.

Für die späte Präeklampsie schnitt die logistische Regression am besten ab. Das integrierte Modell erreichte eine AUC von 0,913 und erkannte bei der untersuchten Schwelle 81,1 Prozent der Fälle. Das FMF-Modell allein erreichte eine Sensitivität von 47,7 Prozent.

Als wichtige Einflussgrößen für die Vorhersage der frühen Präeklampsie identifizierte die SHAP-Analyse unter anderem das Harnsäure-Albumin-Verhältnis, den TyG-Index, Präalbumin, GGT und CRP.

Hinweise auf frühe systemische Veränderungen

Zusätzlich untersuchten die Forschenden zellfreie DNA (cfDNA) aus mütterlichem Blut, um frühe molekulare Veränderungen bei Frauen zu erfassen, die später eine Präeklampsie entwickelten. In diesem Teil der Studie wurden 51 Plasmaproben analysiert, darunter 18 von Frauen, die danach eine frühe Präeklampsie entwickelten.

Die Analyse der cfDNA-Promotorprofile ergab Hinweise auf Veränderungen verschiedener biologischer Prozesse, darunter Stoffwechsel, Entzündungsreaktionen und Leberfunktion. Die Ergebnisse stehen damit im Einklang mit der Annahme, dass sich bei späterer Präeklampsie bereits vor dem klinischen Auftreten der Erkrankung systemische Veränderungen entwickeln.

Noch keine klinische Anwendung

Die Ergebnisse sprechen dafür, dass routinemäßig bestimmte Laborparameter die bestehenden Screeningmodelle für Präeklampsie ergänzen könnten. Ein Vorteil des Ansatzes wäre, dass die meisten untersuchten Parameter bereits im Rahmen der regulären Schwangerschaftsbetreuung erhoben werden können.

Allerdings handelt es sich um eine retrospektive Studie. Die entwickelten Modelle müssen daher in unabhängigen und möglichst unterschiedlichen Populationen weiter validiert werden, bevor sich beurteilen lässt, ob sie sich für das klinische Screening eignen.

Die Studie zeigt somit vor allem das Potenzial einer Kombination aus klinischen Risikofaktoren, Laborparametern und Machine Learning für die frühe Risikostratifizierung – noch nicht die klinische Einsatzfähigkeit eines neuen Präeklampsie-Screenings.

(lj/BIERMANN)