简介：与正常妊娠胎儿相比,妊娠期糖尿病胎儿心室壁及室间隔明显增厚,心脏收缩功能有所增加,舒张功能明显降低,心功能中众多指标发生变化,即使是孕妇血糖控制满意的胎儿心脏形态及功能仍然有上述改变。本研究以妊娠期糖尿病胎儿心脏指标变化为自变量建立模型,分别利用Logistic回归模型、支持向量机(SVM)模型、径向基函数网络(RBF Network)模型等机器学习方法筛选出妊娠期糖尿病胎儿心脏功能的特征指标,为有关决策提供有力的依据。方法：在描述性分析的基础上,以是否患GDM为因变量,以众多心脏结构及功能指标为自变量,通过四种特征选择方法,联合应用支持向量机(SVM)、径向基函数网络(RBF Network)以及Logistic回归分析三种分类方法,筛选出妊娠期糖尿病胎儿心脏功能的特征指标。结果：1.Logistic回归模型、SVM模型.RBFNetwork模型三种方法预测的灵敏度及特异度分别是75.9%和91.5%、78.8%和91.9%、79.6%、91.9%；2.三种方法筛选结果各不相同(SVM模型筛选出12个指标；RBFNetwork模型筛选出9个指标；Logistic回归模型筛选出13个指标),但室间隔舒张期厚度、三尖瓣环舒张晚期峰值运动速度指标通过这三种方法均被筛选出来；3.三种分类方法的ROC(Receiver operating characteristic)曲线下面积分别是AUC(SVM)=0.894,AUC(RBF Net)=0.940,AUC(Logistic回归)=0.927；P-R曲线(Precision-Recall曲线,精确度-回召率曲线)下面积分别是AUC(SVM)=0.850,AUC(RBF Net)=0.903,AUC(Logistic回归)=0.880。结论：在妊娠期糖尿病胎儿心脏结构及功能指标的分类筛选中,RBF Network相比SVM、Logistic回归呈现更好的效果。室间隔舒张期厚度、三尖瓣环舒张晚期峰值运动速度是妊娠期糖尿病胎儿心脏功能的特征指标。