應用人工智慧和多體學分析子癇前症以辨識不明病因心血管疾病之致病機制研究

研究背景
目前針對子癎前症提出之發病機制及預測模型僅適用於早發亞型，但即使如此，在過去半世紀研究中，該疾病之主要病因仍處未知。子癎前症之異質性和複雜性提供了大量且複雜之研究以理解其特性。為減少假設空間，本研究利用人工智慧之機器學習及自然語言處理方法，並結合多體學分析以瞭解子癎前症之發病機制。

研究方法
為提出更好策略以建立預測模型，本研究首先進行系統回顧和綜合分析。接著由與胎盤功能異常相關疾病之公開資料中，分析含子癇前症及子宮內胎兒生長遲滯之臨床資料，並建立機器學習預測模型以提供臨床發病機制之見解。研究使用印尼全國健康保險資料以建立初步模型並加以驗證。接著於流行病學發病機制之發現，採用包次組分析以確認預測時機及透過自然語言處理之文字探勘分析以解釋結果。最後，研究試圖解釋並驗證子癎前症亞型之發病機制模型。此外，研究所發現之差異化表現基因資料取自以下兩項資料之交集：(1)來自與健康、子宮內膜、蛻膜及絨毛膜羊膜炎胎盤相關之樣本和(2)子癎前症亞型之胚胎樣本。而發病機制則透過以下兩個方法結合可視化神經網路以建立模型：(1)運用本體論建構網路架構並採用基因集富集分析或資料驅動本體關係；(2)利用t分佈隨機鄰近嵌入法縮減至二維陣列以作為輸入項之基因差異化表現資料集。本發病機制模型則利用獨立測試資料集驗證，在訓練集與測試集中，若正確區間皆於50%以上，則模型就會被選入。本研究從被選入模型中以探索致病相關基因資訊。

研究結果
系統回顧和綜合分析結果顯示樹狀演算法最適合用來預測懷孕結果，在預測胎盤功能異常相關疾病模型中，隨機森林為最佳預測方法。但為解釋模型，研究選擇次佳之回歸分類演算法，並發現子宮動脈之最低脈動指數無法區別子癎前症及子宮內胎兒生長遲滯。從健保資料庫之分析亦發現最佳演算法為隨機森林，並顯示懷孕前為最佳之預測時機。透過文本分析顯示非生殖造血相關之感染為有效之醫療病史之一。此外，研究使用八組核糖核酸基因表現陣列作為訓練集，其他八組基因表現陣列則作為驗證發病機制之模型。在進行研究分析流程後，僅發展出針對獨立早發性重度子癎前症、晚發性重度子癎前症及具子宮內胎兒發展遲滯之晚發性重度子癎前症可建構最準確之預測模型。預測模型分別由胎盤、子宮內膜及蛻膜重復之基因差異化表現資料集建構而來。研究並發現使用晚發性嚴重子癎前症造成之子宮內胎兒發展遲滯和絨毛膜羊膜炎胎盤具有良好之正確率，而表現型和基因型結果顯示絨毛型羊膜炎和子癎前症有競爭風險，並不是因果關係，研究可探索預測模型和基因資訊以瞭解發病機制。

結論
子癎前症之發病機制被視為一疾病連續體，從會導致懷孕為孤立性晚發性重度子癎前症分泌中期子宮內膜多種微生物感染開始，或是導致（1）具有子宮內胎兒發展遲滯之晚發性重度子癎前症，若子宮內膜有額外非生物之環境刺激或非特定病毒在蛻膜和革蘭氏陰性菌共同感染；或（2）早發性重度子癎前症，如果在蛻膜有特殊病毒共同感染，而在蛻膜的病毒因子會影響由蛻膜和胎盤引導的血管功能。所提出之研究流程可作為其他相關但未知病因血管疾病之參考，未來研究則需蒐集暫時且初期之子癎前症資料，從由具有總體基因體學的懷孕前開始研究，期望本研究所提出之流程往後可進一步開發並由觀察致病機制以判斷疾病之因果關係。