用于胎儿生长受限风险评估的预测模型及其构建方法与应用与流程

本发明涉及疾病风险评估，特别涉及用于胎儿生长受限风险评估的预测模型及其构建方法与应用。

背景技术：

1、胎儿生长受限(fetal growth restriction，fgr)是一种常见的围产期并发症，主要是指经超声估测的胎儿体重低于对应孕周的第10百分位数以下的情况，fgr的发生率为2.75％-15.53％，是胎儿和新生儿围产期死亡的第二大原因。胎儿生长受限不仅与不良妊娠结局密切相关，也可能会导致长期的不良后果，包括但不限于儿童期的神经发育迟缓、成年后的心血管和内分泌疾病。目前，fgr尚缺乏有效的治疗方法，而且通常在分娩结束后才能确诊，缺乏有效的早期预测或诊断手段。因此，如能够早期识别高风险fgr胎儿并采取针对性的干预措施，将会对改善胎儿结局至关重要。

2、有相关研究表明，可以尝试通过构建预测模型来提高fgr的早期识别率。钟海燕等通过纳入孕早期的基本信息、血清学和超声指标构建预测了一种模型，auc为0.71。此外，赵天娇等通过收集孕早期数百例孕妇的超声指标，也构建了一种包括胎儿头臀长、胎盘容积、胎盘血流指数、血管化指数及血管化-血流指数的fgr预测模型，auc为0.762。可以发现，虽然这些模型在不同程度上提高了预测fgr的准确性，但实际上都没有纳入遗传风险因素，在一定程度上忽视了遗传变异对fgr的影响，没有考虑胎儿出生体重遗传位点等对于fgr结局的影响，从而使结果不够全面，预测准确率相对较低。

3、此外，现有的预测模型中的纳入因素涉及复杂的取样操作，如需要收集胎儿心脏彩超24个截断面数据等等，这极大的增加了数据收集的难度，增加了临床应用复杂性，从而影响了模型的实用性和推广性。而且，现有的预测模型缺乏综合性的预测框架作为基础，纳入的因素往往具有一定的局限性和片面性，没有统筹遗传因素、一般健康指标、和其他相关临床参数等多方面、多角度，从而不能够实现全面的风险评估体系，这限制了预测模型在医疗中的应用潜力。

4、鉴于此，有必要构建一种fgr风险评估预测模型，其可以通过整合多种生物标志物和遗传因素，大大的提高fgr发生风险预测的能力和准确性，从而实现对于fgr的早期干预，改善新生儿的健康结局。这种模型的构建本身不仅有助于提高临床诊断的准确性，还可以为制定个性化的孕期管理方案提供科学依据，为降低fgr相关的健康风险提供可靠的技术支持。

技术实现思路

1、本发明旨在至少解决现有技术中存在的上述技术问题之一。为此，本发明的目的在于提供一种用于胎儿生长受限风险评估的预测模型及其构建方法与应用。本发明建立了一项基于临床风险因素和遗传因素预测fgr的方法，其全面纳入了一系列fgr的候选风险因素，包括基本临床因素(孕妇bmi，身高)、生物标志物(白细胞计数、球蛋白、前白蛋白、总蛋白、肌酐、中性粒细胞总数，中性粒细胞百分数)和遗传因素(2个与胎儿出生体重相关的变异位点rs1547643和rs2430921)，并结合机器学习、贝叶斯广义线性回归方法等多种方法构建预测模型，对于fgr的发生有较好的预测作用。基于本发明中的方法构建得到的模型不仅对于fgr具有极高的预测准确率(auc＝0.82)，有助于提高临床诊断的准确性，还可以为制定个性化的孕期管理方案提供科学依据，从而有效降低fgr相关的健康风险。

2、本发明的第一个方面，提供了一组早期诊断标志物，所述早期诊断标志物包括rs1547643、rs2430921，或其组合。

3、本发明的第二个方面，提供了一组早期诊断标志物，所述早期诊断标志物包括：rs1547643、rs2430921或其组合中的一种，和非snp标志物。

4、在本发明中，术语“早期诊断”是指基于常规技术手段或临床经验，未发现或未出现症状，或刚刚有初期病状时进行诊断。在本发明中，“早期诊断”是指在常规技术手段还无法用于fgr的检测，或常规技术手段检测结果尚不准确的孕期内进行诊断。

5、在本发明中，短语“常规技术手段检测结果尚不准确”是指使用常规技术手段的诊断准确率等于或低于60％、50％、40％、30％、20％或10％；或存在假阳性率大于或等于30％、40％、50％、60％、70％、80％、90％或99％。

6、在本发明的一些实施方式中，所述早期诊断标志物适用于孕周为30-44周的孕妇。

7、在本发明的一些实施方式中，所述早期诊断标志物为小于胎龄早期诊断标志物。

8、在本发明的一些实施方式中，所述非snp标志物包括孕妇基本临床信息和/或实验室检测指标信息。

9、在本发明的一些实施方式中，所述孕妇基本临床信息包括：年龄、孕前体重、身体质量指数、收缩压、舒张压和身高中的至少一种。

10、在本发明的一些实施方式中，所述孕妇基本临床信息包括：年龄、孕前体重、身体质量指数、收缩压、舒张压和身高中的至少两种。

11、在本发明的一些实施方式中，所述孕妇基本临床信息为：身体质量指数和孕妇身高。

12、在本发明的一些实施方式中，所述实验室检测指标信息包括：血常规检测数据、肝功能检测数据、肾功能检测数据、葡萄糖耐量试验检测数据、尿液沉渣检测数据、凝血功能检测数据、甲状腺功能检测数据中的至少一种。

13、在本发明的一些实施方式中，所述实验室检测指标信息包括：血常规检测数据、肝功能检测数据、肾功能检测数据、葡萄糖耐量试验检测数据、尿液沉渣检测数据、凝血功能检测数据、甲状腺功能检测数据中的至少2种、3种、4种或全部。

14、在本发明的一些实施方式中，所述实验室检测指标信息包括：血常规检测数据、肝功能检测数据和肾功能检测数据。

15、在本发明的一些实施方式中，所述实验室检测指标信息为：血常规检测数据、肝功能检测数据和肾功能检测数据。

16、当然，需要理解的是，本领域技术人员也可以基于所需的指标，采用其他类型的检测数据，包括但不限于上述的血常规检测数据、肝功能检测数据、肾功能检测数据、葡萄糖耐量试验检测数据、尿液沉渣检测数据、凝血功能检测数据和甲状腺功能检测数据。

17、在本发明的一些实施方式中，所述实验室检测指标信息包括：红细胞压积、血红蛋白浓度、白细胞计数、平均血小板体积、白蛋白、碱性磷酸酶、球蛋白、前白蛋白、总蛋白、尿素氮、肌酐、血糖、游离t3、淋巴细胞百分数、中性粒细胞总数、中性粒细胞百分数、人绒毛膜促性腺激素和维生素d中的至少一种。

18、在本发明的一些实施方式中，所述实验室检测指标信息包括：红细胞压积、血红蛋白浓度、白细胞计数、平均血小板体积、白蛋白、碱性磷酸酶、球蛋白、前白蛋白、总蛋白、尿素氮、肌酐、血糖、游离t3、淋巴细胞百分数、中性粒细胞总数、中性粒细胞百分数、人绒毛膜促性腺激素和维生素d中的至少2种、3种、4种或全部。

19、在本发明的一些实施方式中，所述实验室检测指标信息包括：白细胞计数、球蛋白、前白蛋白、总蛋白、肌酐、中性粒细胞总数和中性粒细胞百分数。

20、在本发明的一些实施方式中，所述实验室检测指标信息为：白细胞计数、球蛋白、前白蛋白、总蛋白、肌酐、中性粒细胞总数和中性粒细胞百分数。

21、在本发明中，所述实验室检测指标信息和孕妇基本临床信息的获得方式和来源不做任何限定，其获得方式和来源本身不影响上述实验室检测指标信息和孕妇基本临床信息作为标志物的相关效果。

22、在本发明的一些实施方式中，所述早期诊断标志物还可以进一步包括：孕妇的生活方式、饮食习惯、环境因素等。

23、在本发明的一些实施方式中，其他标志物的筛选方法同孕妇基本临床信息或实验室检测指标信息。

24、本发明的第三个方面，提供了检测上述方面所述的早期诊断标志物的试剂在制备胎儿生长受限诊断和/或风险评估预测产品中的用途。

25、在本发明的一些实施方式中，所述检测上述方面所述的早期诊断标志物的试剂可以基于本领域常规技术得到，包括但不限于：市售检测试剂盒、合成引物等。

26、在本发明中，对于早期诊断标志物的检测方法不做限定，根据实际需求，可以是基因层面的、蛋白层面的或生化层面的，检测方法包括但不限于：测序、化学发光、酶联免疫吸附、放射免疫、微粒标记和聚合酶链式反应(pcr)等。

27、在本发明的一些实施方式中，所述诊断包括早期诊断。

28、本发明的第四个方面，提供了一种胎儿生长受限诊断和/或风险评估预测产品，所述胎儿生长受限诊断和/或风险评估预测产品包括检测上述方面所述的早期诊断标志物的试剂，和辅剂。

29、在本发明的一些实施方式中，所述辅剂包括药学上可接受的辅剂。

30、在本发明的一些实施方式中，所述辅剂包括：缓冲液、溶剂或稀释剂、防腐剂、表面活性剂、清洗液、样本预处理试剂中的至少一种。

31、在本发明中，术语“缓冲液”是指用于调节实验环境的ph值或模拟特殊环境(如体内)，以保证实验的稳定性和准确性的试剂，包括但不限于磷酸盐缓冲液(pbs)、tris-hcl缓冲液等。

32、在本发明中，术语“溶剂”是指用于溶解对应检测物或待测样本的的液体，包括但不限于：有机溶剂，如乙醇、甲醇、乙腈、乙酸乙酯、二氯甲烷、丙酮、石油醚、苯、甲苯、乙醚、氯仿和异丙醇等；无机溶剂，如水。

33、在本发明中，术语“稀释剂”是指用于稀释待检样本或原试剂，以降低其浓度，使之可以参与特定的检测反应的试剂，包括但不限于上述的缓冲液或溶剂。

34、在本发明中，术语“防腐剂”用于防止试剂变质，延长试剂的保存期限，确保试剂在储存和运输过程中的稳定性的试剂，包括但不限于：苯甲酸、苯甲酸钠、对羟基苯甲酸酯类化合物(如其甲、乙、丙、丁四种酯)、山梨酸及其盐、邻苯基苯酚等。

35、在本发明中，术语“表面活性剂”也包括分散剂，是指用于增加溶液的表面活性，帮助溶解和分散样品中的成分的试剂，包括但不限于：阴离子表面活性剂(如十二烷基硫酸钠(sds)、十六烷基硫酸钠)、阳离子表面活性剂(如苯扎氯铵、苯扎溴铵)、非离子表面活性剂(如吐温20、吐温40、吐温80)和两性表面活性剂(如卵磷脂)。

36、在本发明中，术语“清洗液”是指用于检测反应中对反应体系、仪器管路及部件进行清洗的试剂，包括但不限于：水、缓冲液。

37、在本发明中，术语“样本预处理试剂”是指用于正式检测前的样本分离、提取、纯化、酶切等过程中所使用的试剂，包括但不限于：提取液(萃取剂)、纯化液(纯化材料)、脱水试剂和消化酶溶液等。

38、在本发明的一些实施方式中，所述胎儿生长受限诊断和/或风险评估预测产品中，检测上述方面所述的早期诊断标志物的试剂和辅剂可以是独立包装，或共包装。

39、在本发明的一些实施方式中，所述胎儿生长受限诊断和/或风险评估预测产品包括检测试剂盒、检测套装。

40、本发明的第四个方面，提供了一种胎儿生长受限风险评估预测模型的构建方法，包括如下步骤：

41、收集孕妇基本临床信息和/或实验室检测指标信息，分别计算两者与胎儿生长受限存在情况的统计学差异p值，根据p值分别筛选临床变量和标志物变量；

42、对孕妇的基因信息进行针对胎儿生长受限的全基因组关联分析，基于全基因组显著性阈值筛选遗传因素变量；

43、基于临床变量、标志物变量和遗传因素变量进行建模，得到胎儿生长受限风险评估预测模型。

44、在本发明中，术语“统计学差异p值”是指样本间的差异由抽样误差所致的概率，其由统计学上的显著性检验方法得到。在本发明中，p值小于0.05、0.01或0.001时，认为存在统计学差异。

45、在本发明的一些实施方式中，p值小于0.05时，认为存在统计学差异。

46、在本发明的一些实施方式中，所述孕妇基本临床信息包括：年龄、孕前体重、身体质量指数、收缩压、舒张压和身高中的至少一种。

47、在本发明的一些实施方式中，所述孕妇基本临床信息为：身体质量指数和孕妇身高。

48、在本发明的一些实施方式中，所述实验室检测指标信息包括：血常规检测数据、肝功能检测数据、肾功能检测数据、葡萄糖耐量试验检测数据、尿液沉渣检测数据、凝血功能检测数据、甲状腺功能检测数据中的至少一种。

49、在本发明的一些实施方式中，所述实验室检测指标信息包括：血常规检测数据、肝功能检测数据和肾功能检测数据。

50、在本发明的一些实施方式中，所述实验室检测指标信息为：血常规检测数据、肝功能检测数据和肾功能检测数据。

51、当然，需要理解的是，本领域技术人员也可以基于所需的指标，采用其他类型的检测数据，包括但不限于上述的血常规检测数据、肝功能检测数据、肾功能检测数据、葡萄糖耐量试验检测数据、尿液沉渣检测数据、凝血功能检测数据和甲状腺功能检测数据。

52、在本发明的一些实施方式中，所述实验室检测指标信息包括：红细胞压积、血红蛋白浓度、白细胞计数、平均血小板体积、白蛋白、碱性磷酸酶、球蛋白、前白蛋白、总蛋白、尿素氮、肌酐、血糖、游离t3、淋巴细胞百分数、中性粒细胞总数、中性粒细胞百分数、人绒毛膜促性腺激素和维生素d中的至少一种。

53、在本发明的一些实施方式中，所述实验室检测指标信息包括：白细胞计数、球蛋白、前白蛋白、总蛋白、肌酐、中性粒细胞总数和中性粒细胞百分数。

54、在本发明的一些实施方式中，所述实验室检测指标信息为：白细胞计数、球蛋白、前白蛋白、总蛋白、肌酐、中性粒细胞总数和中性粒细胞百分数。

55、在本发明中，所述实验室检测指标信息和孕妇基本临床信息的获得方式和来源不做任何限定，其获得方式和来源本身不影响上述实验室检测指标信息和孕妇基本临床信息作为标志物的相关效果。

56、在本发明的一些实施方式中，所述构建方法还包括：对收集的孕妇基本临床信息进行分类，采用不同的统计学方法进行统计学差异p值的计算。

57、在本发明的一些实施方式中，若孕妇基本临床信息为定量临床变量，采用t检验；若孕妇基本临床信息为分析定类临床变量，采用卡方检验。

58、在本发明中，术语“定量临床变量”是指可以使用具体的量来定义的临床变量，本文中的量没有明确的数量单位限定，可以包括：浓度、摩尔数、质量等。

59、在本发明中，术语“分析定类临床变量”也称“定类临床变量”，是指根据定性的原则区分总体各个案类别的临床变量，主要描述属性，包括但不限于：性别、病种等。

60、在本发明的一些实施方式中，所述t检验包括配对样本t检验和独立样本t检验(双样本t检验)。

61、在本发明的一些实施方式中，所述t检验为独立样本t检验(双样本t检验)。

62、在本发明的一些实施方式中，所述分析定类临床变量包括：多分类临床变量和二分类临床变量。

63、在本发明的一些实施方式中，所述分析定类临床变量为二分类临床变量。

64、在本发明的一些实施方式中，所述构建方法还包括：对实验室检测指标信息采用回归分析方法计算统计学差异p值。

65、在本发明的一些实施方式中，所述回归分析方法包括逻辑回归、多项式回归和线性回归。

66、在本发明的一些实施方式中，所述回归分析方法为逻辑回归(logistic回归)。

67、在本发明的一些实施方式中，存在连续变量时，取平均值。

68、在本发明的一些实施方式中，对于多个二分类变量，一旦出现阳性结果就定义为阳性。

69、在本发明的一些实施方式中，在对实验室检测指标信息进行回归分析完成第一次筛选后，进一步使用多元线性回归分析进行二次筛选，通过计算统计学差异p值进行筛选出标志物变量。

70、在本发明的一些实施方式中，所述孕妇的基因信息可以通过测序技术得到。

71、在本发明的一些实施方式中，所述孕妇的基因信息是基于nipt样本通过全基因组测序得到。

72、在本发明的一些实施方式中，所述孕妇的基因信息也可以采用高深度测序技术得到，从而无需进行进一步的数据质量控制，提高模型准确性。

73、在本发明的一些实施方式中，所述孕妇的基因信息在进行全基因组关联分析之前，还包括：对孕妇的基因信息进行数据质量控制、校正和基因型填补。

74、在本发明的一些实施方式中，所述数据质量控制包括：比对hg38人类基因组参考基因组，去掉测序深度低于0.05×且比对率低于90％的样本，去除pcr重复。

75、在本发明的一些实施方式中，使用samtools软件去除pcr重复。当然，本领域技术人员也可以使用其他替代性软件或算法进行pcr重复的去除，包括但不限于samtools。

76、在本发明的一些实施方式中，所述校正包括对indel区域的重比对和碱基质量校正。

77、在本发明的一些实施方式中，使用gatk软件进行indel区域的重比对和碱基质量校正。当然，本领域技术人员也可以使用其他替代性软件或算法进行indel区域的重比对和碱基质量校正，包括但不限于gatk。

78、在本发明的一些实施方式中，所述基因型填补包括：使用中国人群参考基因组作为参考基因组进行基因型填补。

79、在本发明的一些实施方式中，使用stitch填补软件进行基因型填补。当然，本领域技术人员也可以使用其他替代性软件或算法进行基因型填补，包括但不限于stitch。

80、在本发明的一些实施方式中，所述中国人群参考基因组包括千人基因组计划(1kgp)提供的chs、chn基因组。

81、在本发明的一些实施方式中，在进行基因型填补后，使用变异检测获得遗传变异位点。

82、在本发明的一些实施方式中，使用basevar软件进行变异检测。当然，本领域技术人员也可以使用其他替代性软件或算法进行变异检测，包括但不限于basevar。

83、在本发明的一些实施方式中，所述全基因组显著性阈值为5e-08。

84、在本发明的一些实施方式中，所述建模的方法包括：k-最近邻算法(knn)、支持向量机(svm)、决策树、朴素贝叶斯、k-均值、随机森林和自适应增强算法。

85、在本发明的一些实施方式中，所述建模的方法为k-最近邻算法(knn)。

86、在本发明的一些实施方式中，所述构建方法还包括：对遗传因素变量进行重要性和关联性分析。

87、在本发明的一些实施方式中，所述重要性和关联性分析包括条件和联合关联分析。

88、在本发明的一些实施方式中，使用gcta软件进行所述条件和联合关联分析。当然，本领域技术人员也可以使用其他替代性软件或算法进行重要性和关联性分析，包括但不限于gcta软件。

89、在本发明的一些实施方式中，所述构建方法还包括：将临床变量、标志物变量和遗传因素变量构建为矩阵数据，基于算法计算预测变量系数，然后使用上述方面中的建模的方法进行拟合建模。

90、在本发明的一些实施方式中，所述矩阵数据的形式如表4所示。

91、在本发明的一些实施方式中，所述遗传因素变量在矩阵数据中表示为单核苷酸多态性(snp)基因型剂量。

92、在本发明的一些实施方式中，所述snp包括：rs1547643、rs2430921，或其组合。

93、在本发明的一些实施方式中，所述snp为rs1547643和rs2430921。

94、在本发明的一些实施方式中，所述遗传因素变量在矩阵数据中表示为rs1547643和rs2430921的基因型剂量(表示为0-2之间的连续值)。

95、在本发明的一些实施方式中，所述基因型剂量的计算公式为：

96、基因型剂量＝pr(het|data)+2×pr(alt|data)

97、其中，pr(het|data)表示样本在该位点基因型为杂合突变的后验概率；pr(alt|data)表示样本在该位点基因型为纯合突变的后验概率。

98、在本发明的一些实施方式中，用于计算预测变量系数的算法包括：bayesianridge函数、最小二乘法、随机行走法、levenberg-marquardt算法等。

99、在本发明的一些实施方式中，所述胎儿生长受限风险评估预测模型的构建方法的具体步骤包括：

100、收集孕妇基本临床信息和/或实验室检测指标信息，分别计算两者与胎儿生长受限存在情况的统计学差异p值，根据p值分别筛选临床变量和标志物变量；

101、对孕妇的基因信息进行针对胎儿生长受限的全基因组关联分析，基于全基因组显著性阈值筛选遗传因素变量；

102、基于临床变量、标志物变量和遗传因素变量的选择进行样本数据的提取，使用提取的样本数据与胎儿生长受限的患病情况组合后进行矩阵构建，使用线性回归模型计算单一变量与胎儿生长受限之间的预测变量系数，将矩阵和预测变量系数输入至建模算法中，得到胎儿生长受限风险评估预测模型。

103、在本发明的一些实施方式中，所述线性回归模型同上述用于计算预测变量系数的算法，包括：bayesianridge函数、最小二乘法、随机行走法、levenberg-marquardt算法等。

104、在本发明的一些实施方式中，所述建模算法同上述建模的方法，包括k-最近邻算法(knn)、支持向量机(svm)、决策树、朴素贝叶斯、k-均值、随机森林和自适应增强算法。

105、本发明的第五个方面，提供了上述方面所述的构建方法构建得到的胎儿生长受限风险评估预测模型在制备胎儿生长受限风险评估预测产品中的应用。

106、在本发明的一些实施方式中，所述胎儿生长受限风险评估预测产品包括分析模块。

107、在本发明的一些实施方式中，所述分析模块通过执行上述方面所述的构建方法构建得到的胎儿生长受限风险评估预测模型得到预测结果。

108、在本发明的一些实施方式中，所述分析模块输出胎儿出生体长预测值，基于胎儿出生体重预测值判断是否有胎儿生长受限风险。

109、在本发明的一些实施方式中，基于胎儿出生体重预测值的胎儿生长受限风险判断标准为：

110、比较胎儿出生体重预测值和胎儿生长受限标准值，

111、若胎儿出生体重预测值小于胎儿生长受限标准值，则判断胎儿生长受限风险高；

112、若胎儿出生体重预测值大于或等于胎儿生长受限标准值，则判断胎儿生长受限风险低。

113、在本发明的一些实施方式中，所述胎儿生长受限风险评估预测产品还包括：检测模块、储存模块和传输模块中的至少一种。

114、在本发明的一些实施方式中，所述胎儿生长受限风险评估预测产品还包括：至少一个输入端和/或至少一个输出端。

115、在本发明的一些实施方式中，所述输入端包括但不限于：键盘、鼠标、硬盘、磁碟、可写性只读光盘(cd-rom)、光电纸带输入器、卡片输入器、光学字符读出器、磁带输入装备、汉字输入装备等。

116、在本发明的一些实施方式中，所述输出端包括但不限于：移动客户端(如手机、平板电脑、笔记本电脑)、显示器、打印机、光笔、硬盘、磁碟、可写性只读光盘(cd-rom)等。

117、本发明的第六个方面，提供了一种预测胎儿体重的方法，包括如下步骤：

118、将孕妇rs1547643和rs2430921的基因型转变为基因型剂量，然后与孕妇基本临床信息和/或实验室检测指标信息一起输入至上述方面所述的构建方法构建得到的胎儿生长受限风险评估预测模型中，计算得到预测胎儿体重。

119、在本发明的一些实施方式中，基因型剂量的转变方法如上述方面所述。

120、在本发明的一些实施方式中，孕妇基本临床信息和/或实验室检测指标信息如上述方面所述。

121、在本发明中，孕妇rs1547643和rs2430921基因型、孕妇基本临床信息和实验室检测指标信息的来源不做限制，可以包括采用任意本领域常规手段获得的数据和/或信息来源。

122、在本发明的一些实施方式中，所述胎儿生长受限风险评估预测产品包括检测试剂盒、检测平台(系统)和检测设备。

123、本发明的第七个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现计算上述方面所述的构建方法构建得到的胎儿生长受限风险评估预测模型或上述方面所述的方法的步骤。

124、本发明的第八个方面，提供了一种系统，所述系统包括分析模块，所述分析模块中含有上述方面所述的计算机可读存储介质。

125、在本发明的一些实施方式中，所述系统还包括：输入端和输出端。

126、在本发明的一些实施方式中，所述输入端和输出端如上述方面所限定的。

127、在本发明的一些实施方式中，所述系统还包括：还包括：检测模块、储存模块和传输模块中的至少一种。

128、在本发明的一些实施方式中，所述检测模块、储存模块和传输模块。

129、本发明的第九个方面，提供了一种装置，所述装置中安装有上述方面所述的系统，或含有上述方面所述的计算机可读存储介质。

130、本发明的有益效果是：

131、1.本发明首次发现了rs1547643和rs2430921的组合可作为一种fgr早期诊断标志物，通过将其与其他非snp标志物组合后能够用于构建fgr风险预测模型，为fgr的早期诊断和分析提供了一种新的思路。

132、2.本发明通过结合医院电子病例信息、孕妇在产检过程中产生的大量基因型数据、基本临床因素、常见生物标志物和大样本量的胎儿出生体重的全基因组关联研究结果，层层筛选出了多个变量(标志物)，并建立了一种fgr预测方法，该方法比传统的单方面因素或两方面预测的性能更好，预测准确度高，有助于医院筛查fgr胎儿，从而实现早期干预，改善新生儿的健康结局。

133、3.本发明中的模型所需数据信息来源简单，可以基于孕妇常规体检产生，不会增加孕妇的额外医疗负担，经济可行。而且，本发明中的模型算法可以完全由计算机自主完成，结果准确，所需时间短。

134、4.本发明中的模型有效解决了现有模型临床可操作性差的问题，其通过引入更具可解释性的算法和模型设计，使医生能够理解模型的决策过程，从而制定个性化的诊疗措施。基于该设计理念得到模型不仅提高了其本身的临床应用价值，还促进了其在临床中的推广和应用。而且，该模型中还融合了影响胎儿出生体重的遗传变异位点，解决现有模型忽视遗传变异对fgr影响的问题，提供更准确的评估。

135、5.本发明中的fgr早期风险预测模型相比现有技术，能够显著提高fgr早期预测的准确性，预测模型auc为0.82，特异性0.82，灵敏度0.80，能够有效帮助医生及早干预，改善新生儿的健康结局。而且，本发明中也是首次将遗传因素、一般健康指标和其他相关临床参数结合起来，形成一个全面的风险评估体系，从而构建了一种综合性的预测框架，实现了模型的泛化及高准确预测能力，填补了个体水平的基因型数据精确性不够理想的问题。