作者：杨晴晴，朱珏，汪期明，杨名洁等，宁波大学附属妇女儿童医院
根据国际尿控协会（ICS）定义，
1 资料与方法
1.1 研究对象 以2022年10月至2023年6月在宁波大学附属妇女儿童医院盆底中心接受产后42d盆底功能筛查的516例产妇为研究对象。依据ICS关于SUI的诊断标准，发生SUI 82例，未发生SUI 434例。纳入标准：（1）单胎妊娠。（2）产后42~90d。（3）无生殖及泌尿系统感染。（4）无盆腔手术史及放疗史。（5）无神经肌肉系统病史。（6）足月妊娠。（7）既往无尿失禁病史。排除标准：（1）四次及以上分娩史。（2）双胎分娩史。（3）孕前盆底功能障碍（PFD）病史及家族史。（4）妊娠。（5）
1.2 研究方法
1.2.1 手测肌力 即分类型盆底肌力测试，是国内外比较通用的方法之一，根据盆底肌肉收缩强度及持续的时间，来测定盆底肌力，能收缩并持续4~5s为正常，此方法既可以了解盆底肌收缩的质量，也可以了解盆底肌Ⅰ类肌纤维持续收缩能力和Ⅱ类肌纤维在一定时间内的快速重复收缩能力。其中任1项肌力≤3级即为肌力异常［8］。见表1。
1.2.2 盆底三维超声检查 所有受检者均完成盆底三维超声检查。使用深圳迈瑞公司Resona 8T超声诊断仪，配套使用DE10-3U腔内探头和D8-2U容积探头（扫查角度120°）。受检者排空大小便，取膀胱截石位。将探头紧贴患者会阴部，显示盆底正中矢状切面，可见耻骨联合、尿道、膀胱、直肠肛管及肛直肠角，采集患者静息、最大Valsalva动作时的超声图像。采用4D View软件进行后处理分析，观察静息及最大Valsalva动作时有无膀胱后壁膨出及尿道内口漏斗化形成，测量膀胱颈活动度、膀胱尿道后角度、尿道倾斜角度、尿道旋转角度、膀胱颈移动度等盆底超声参数（见图1）。以上指标均测量3次，取平均值。
1.2.3 盆底肌电生理检查 所有受检者均完成盆底肌电生理检查，使用南京伟思公司9801型盆底肌电生物反馈仪的Glazer评估程序，获得受检者5个阶段的盆底肌电信号：（1）前静息阶段：受检者在盆底肌肉收缩前放松60s，记录前静息阶段平均值，＞4μV 提示前基线高张。（2）快速收缩阶段：受检者快速收紧盆底肌肉后快速放松，间隔10s测量1次，重复5次，取最大值为快肌收缩结果（Ⅱ类肌纤维最大值），＜35μV提示盆底快肌肌力不足。（3）紧张收缩阶段：受检者快速缩紧阴道肌肉并保持10s后放松，间隔10s测量1次，重复5次，取平均值为紧张收缩平均值（Ⅱ和Ⅰ类肌纤维收缩平均值），＜30μV提示盆底混合肌肌力不足。（4）盆底耐力收缩阶段：受检者持续缩紧盆底肌肉60s后放松，测量1次，取平均值为盆底耐力收缩平均值（Ⅰ类肌纤维收缩平均值），＜25μV提示盆底耐力肌肌力不足。（5）后静息阶段：受检者在盆底肌肉收缩后放松60s，记录后静息阶段平均值，＞4μV 提示后基线高张。
1.3 分组 采用交叉验证的方法进行模型评估，按7∶3的比例划分训练集和验证集，抽取70%样本作为训练集，30%的样本作为验证集。
1.4 资料收集 根据前期研究筛选出的危险因素，收集以下数据和信息：年龄、分娩方式、产次、第一产程时长、第二产程时长、是否无痛分娩、会阴损伤情况、
1.5 方法
1.5.1 一般特征和SUI危险因素分布描述 采用R 4.3.3对数据进行处理与分析。对于连续型变量，如符合正态分布，采用均数±标准差进行统计描述，组间比较采用独立样本t检验，不符合正态分布则采用中位数（M）和四分位数间距（P25，P75）进行描述，组间比较采用秩和检验。组间比较采用χ2检验，不满足χ2检验时使用Fisher确切概率法。所有研究对象使用sample函数7∶3随机划分为训练集和验证集，训练集用于模型训练，验证集用于模型验证。对于少量缺失值，采用“missRanger”包进行多重插补。
1.5.2 机器学习模型预测模型构建 训练集用于构建模型和选择特征，基于特征选择和特征排序的逐步融合对特征进行过滤，随后将数据输入5种机器学习算法并进行调参：随机森林、支持向量机、XGBoost、KNN（K近邻）和决策树，计算受试者工作特征（ROC）-曲线下面积（AUC）值、准确度、精确度和F1评分，评价最佳预测模型并进行内部验证。
1.5.3 评价标准 本研究主要根据混淆矩阵计算得到的精确度、召回率、F1值和ROC参数选择效果最佳的模型，再通过AUC对最佳模型的鉴别能力进行评估，AUC代表由特异度及灵敏度为横纵坐标所绘制的曲线下面积。
2 结果
2.1 产后女性SUI单因素分析 本研究纳入的516例患者中，产后SUI发生率为15.89％（82/516）。两组在年龄、产次、分娩方式、第一产程时长、第二产程时长、是否无痛分娩、会阴损伤情况、手测肌力Ⅰ类肌异常、膀胱颈活动度增加、膀胱后壁中度膨出、
2.2 模型分析结果
2.2.1 不同模型比较 将所有样本按照7∶3的比例划分为训练集（361例）和验证集（155例）。采用机器学习的5种方法，根据以上影响因素等情况，对患者是否发生产后SUI进行分类预测研究。采用十折交叉验证的方法计算五种机器学习算法的准确率、精确度、召回率、F1值，对模型进行评估和验证，最大可能使模型性能更具可信性。其中，F1值是精确度和召回率的调和平均数，提供同时考虑假阳性和假阴性的评估方式。其通过在两者之间取得一个平衡点，使得我们能够在不偏袒任何一方的情况下评估模型的性能。最终使用预测结果与实际结果的F1值作为评价指标，F1值越高模型越好。通过模型训练得出随机森林、支持向量机、XGBoost、KNN（K近邻）和决策树5种模型在训练集和测试集的F1值均在0.7以上，具体数值见表2。
2.2.2 ROC对五种模型预测能力评估 综合以上结果可以看出，随机森林在训练集上的F1值1.000，验证集上F1值0.776，受试者曲线下面积AUC训练集1.000，验证集0.837，内部验证效果最好。因此，以随机森林模型预测效果最好。见图2a~b。
2.2.3 随机森林预测模型结果 随机森林模型将纳入的特征根据重要性评分结果进行算法排序，以紧张收缩阶段、年龄、耐力收缩阶段、前静息阶段、后静息阶段、快速收缩阶段、BMI、会阴损伤情况、最大新生儿体重、产次这些特征在预测产后SUI起到了关键作用。见图3。
3 讨论
3.1 机器学习在疾病预测中的优势显著 首先，机器学习能处理大量复杂数据，构建高精度预测模型，超越传统列线图方法。其次，机器学习可以基于个体特征定制风险评估，提高治疗针对性，避免盲目治疗带来的社会经济负担。五种机器学习模型预测效能比较，结果显示以上模型当中，随机森林和XGBoost预测效能最高，而随机森林在训练集1.000，验证集0.776，内部验证效果最好，精确度最高。因此，随机森林较其他四种模型具有更高的预测效能。
3.2 根据随机森林算法对产后SUI预测模型的特征解释 研究发现，在随机森林模型中，排名前6的特征中有5项来自盆底肌电生理检查。表明该指标在预测产后 SUI 中具有关键价值。其中，紧张收缩阶段，快速收缩阶段，耐力收缩阶段，后静息阶段，前静息阶段OR值均小于1，可见以上指标数值越小，可募集的盆底肌纤维越少，越容易引发产后SUI。盆底肌电生理检查操作简便，在疾病评估中应用普遍，价值突出。推荐对产后女性及时进行该项检查，筛选出高危人群，必要时给予盆底肌的锻炼或者电刺激生物反馈等治疗，可帮助该类人群减少发生SUI的风险。
年龄在本预测模型中排在第2位，几乎绝大多数流行病学调查都认为年龄因素与SUI的发病密切相关，有学者研究发现随着年龄的增加，SUI患者的尿道括约肌厚度和功能明显下降，且女性大于35岁后，体内
目前绝大多数调查表明BMI与SUI患病率密切相关，BMI每增加5，SUI的风险增加1.26倍。肥胖人群患SUI的机制尚不十分清楚。一般认为肥胖女性腹压会相应增加，对盆底支持组织造成损伤，影响泌尿生殖道神经肌肉功能［9］。产妇经会阴侧切分娩是垂直于肌纤维将球海绵体肌、会阴横肌甚至包括部分肛提肌、阴道神经等切断，因此会阴侧切导致盆底肌肉、神经损伤；会阴裂伤也可能导致盆底的肌肉、筋膜发生机械性的损伤，直接的损伤、瘢痕的形成均使盆底组织的功能降低［10］，进而导致SUI的发生。有研究认为，妊娠期胎儿体重过大会增加母体盆底肌负担，产程中胎头持续压迫盆底组织，使分娩过程更加困难，并增加第二产程延长及软产道损伤的风险，进一步加重产后盆底功能障碍，导致产后SUI的发生［11］。且无论阴道分娩或剖宫产，新生儿出生体重与产后SUI均呈正相关［12］。
妊娠和分娩通常被认为是SUI的独立危险因素，Danforth等［13］提出，美国初次分娩妇女的SUI患病率为9.7%，有2次分娩史的妇女为16.3%，有3次以上分娩史的妇女为23.9%，而未分娩妇女为6.5%，本研究结果支持这一观点。
在本次研究中，盆底超声指标贡献排名相对靠后，参考价值偏小。这一结果可能与产妇对该动作认知有偏差，或每次用力屏气做Vasava动作幅度不一致有关。也有学者认为，盆底三维超声联合盆底肌电生理检查，更具有临床实用价值［14］。
本研究存在一定的局限性：（1）本次研究纳入的人群是产后42~90d的女性，缺乏远期观察随访。对远期是否发生SUI，还需开展前瞻性队列研究。（2）由于收集到的患者数据来自同一单位。在以后的工作中可以扩大样本量，或进行多中心外部验证使模型预测具有普遍性和通用性。
综上所述，产后女性SUI发生率较高，严重影响患者生活质量。既往研究主要采用传统的logistic回归模型或Cox比例风险回归模型。但随着人工智能的发展，构建基于机器学习的疾病风险预测模型，为早期识别高危人群提供了一种新的方法。在本研究结论里，随机森林算法预测效能表现出色。该算法对于数据分布并无特定要求，面对多元共线性问题时，也不会产生过度敏感的反应。在处理高维特征变量时，随机森林算法能够精准地识别出关键的相关变量。除此之外，随机森林算法的随机性能使得其不容易发生过拟合。
利益冲突 所有作者均声明不存在利益冲突
作者贡献声明 杨晴晴：论文撰写、数据收集与分析；朱珏，汪期明，杨名洁，钱苗红：数据收集；张晶：论文修改
参考文献略
来源：杨晴晴，朱珏，汪期明，等.应用机器学习建立产后女性压力性尿失禁风险预测模型［J］.中国实用妇科与产科杂志，2025,41(7)：734-737.
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
