剖宫产后阴道分娩预测模型综述：2024最新研究进展

Cui et al. BMC Pregnancy and Childbirth (2024) 24:869 https://doi.org/10.1186/s12884-024-07101-x 研究 开放获取 © 作者 2024. 开放获取 本文在知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议下获得许可，该许可协议允许任何非商业性使用、分享、分发和复制，只要您适当引用原始作者和来源，提供一个指向知识共享许可的链接，并指明是否对许可材料进行了修改。您没有权限在此许可下分享从本文衍生的改编材料或其部分。本文中包含的图像或其他第三方材料包括在文章的知识共享许可中，除非在材料的信用行中另有说明。如果材料未包含在文章的知识共享许可中，而您的预期用途未经法定法规允许或超出允许的使用范围，您需要直接从版权所有者处获得许可。要查看此许可证的副本，请访问 http://creativecommons.org/licenses/by-nc-nd/4.0/。 BMC Pregnancy and Childbirth 剖宫产后阴道分娩预测模型：综述 崔红1, 单文慧1, 娜全1 和 刘通1* 摘要 背景 再次怀孕的女性在之前的剖宫产后面临选择阴道试产或再次剖宫产。阴道分娩对母亲和婴儿更安全，但面临试产失败的风险。预测模型可以评估剖宫产后阴道试产的成功率，这将帮助产科医生和孕妇选择适当的分娩方式。 目的 回顾剖宫产后阴道分娩的现有预测模型。 方法 搜索了包括CNKI、万方数据、中国科技期刊数据库、中国生物医学文献数据库、PubMed、Embase和Web of Science在内的七个数据库，检索时间从建库至2022年7月20日。两名研究人员独立筛选文献并提取数据。使用预测模型偏倚风险评估工具（Prediction model Risk of Bias Assessment Tool）评估纳入研究的偏倚风险和适用性。 结果 纳入了涵盖26个模型的26项研究。所纳入模型的整体质量良好，但验证不足。所纳入研究的方法学质量总体较低，其中3项研究被评为低偏倚风险，23项研究被评为高偏倚风险。模型的主要预测因子为Bishop评分、阴道分娩史、新生儿体重、产妇年龄和BMI。 结论 尽管全球已开发出多种预测模型，但这些研究的方法学存在局限性，模型尚未得到充分验证。未来需要更多的前瞻性高质量研究来开发视觉模型，以更有效地服务于临床工作。产科医生或助产士可以使用预测模型帮助女性选择合适的分娩方式。 关键词 预测模型，综述，剖宫产后试产，剖宫产后阴道分娩，VBAC，TOLAC 引言 过去十年，全球剖宫产率一直在上升 [4]。数据显示，美国在过去10年里，剖宫产率从5%增加到30-32% [2]。一项大型中国研究表明，剖宫产率从2008年的28.8%上升到2014年的34.9% [22]。最新的可用数据显示，全球有21.1%的女性通过剖宫产分娩 [4]。剖宫产率的增加导致了孕产妇死亡率和发病率的上升 [2]。受“一次剖宫产，永远剖宫产”的影响，有剖宫产史的女性往往在下次分娩时选择再次剖宫产，从而导致剖宫产率居高不下。 *通讯作者： 刘通 13147160745@139.com 1 中国医科大学盛京医院，沈阳，中国 崔红等. BMC Pregnancy and Childbirth (2024) 24:869 第2页共16页 有剖宫产史的女性再次怀孕时，面临选择剖宫产后试产（TOLAC）或择期重复剖宫产（ERCD）。美国妇产科医师学会（American College of Obstetricians and Gynecologists）关于剖宫产后阴道分娩（VBAC）的指南建议，有剖宫产史的女性再次怀孕时应选择TOLAC [16]。TOLAC的结果包括VBAC和试产失败后的紧急剖宫产。成功的TOLAC可以帮助母亲避免腹部手术，减少出血、血栓栓塞和感染的发生率，缩短恢复期，优于择期重复剖宫产（ERCD）[16]。然而，TOLAC有失败的风险。当母亲在TOLAC失败后接受紧急剖宫产时，会有更多并发症，甚至可能发生子宫破裂。无法预测试产成功的概率已成为产科医生和母亲选择TOLAC的障碍。如果能够准确预测VBAC的概率，将有助于产科医生筛选适合TOLAC的候选人，帮助母亲建立阴道试产的信心，避免第二次剖宫产带来的并发症，并降低整体剖宫产率。许多发达国家已经研究了VBAC预测模型，并在不同人群中开发和验证了各种预测模型 [7, 14, 31]。中国于2016年实施了二孩政策，允许夫妻生育两个孩子。2021年，三孩政策出台，允许夫妻生育三个孩子。在此之前，中国几十年来一直实行一孩政策，鼓励夫妻只生育一个孩子，以应对人口快速增长。近年来，随着“二孩政策”和“三孩政策”的实施，中国在开发VBAC预测模型方面进行了越来越多的研究 [8, 10, 33]。然而，各研究的预测模型因素和模型性能差异较大，缺乏外部验证。本综述回顾了全球相关预测模型的构建、因素和性能，以指导临床实践中合适预测模型的选择及相关未来研究。 方法 搜索策略 我们在CNKI、万方数据、中国科技期刊数据库、中国生物医学文献数据库、PubMed、Embase和Web of Science中搜索了从建库至2022年7月20日的出版物。我们采用了一种结合MeSH术语和自由语言术语的搜索方法。搜索公式如下：（“剖宫产后阴道分娩” [MeSH Terms] 或 “剖宫产后试产” [Title/Abstract] 或 “VBAC” [Title/Abstract] 或 “TOLAC” [Title/Abstract]）和（“预测” [Title/Abstract]）。随后，对纳入研究的参考文献进行了手动搜索。 文献的纳入和排除标准 纳入标准如下：1）研究对象进行了TOLAC，孕周大于37周，单胎活产；研究对象有剖宫产史，再次妊娠术后超过2年；2）研究旨在构建或验证VBAC剖宫产的预测模型，或测试模型对VBAC剖宫产的预测能力；3）文章是模型构建或验证的原始研究，如队列研究、病例对照研究和横断面研究。 排除标准如下：1）非中文或非英文文献；2）无法获取全文；3）低质量文献；4）综述。 文献筛选 从搜索中获得的引文被导入Endnote X9软件以检查书目重复。消除重复后，两名接受过循证护理实践培训的研究生独立阅读标题和摘要，根据研究主题进行初步筛选。初步筛选后，他们阅读全文并根据纳入和排除标准重新筛选研究。如果在筛选过程中出现任何分歧，则咨询第三位研究员，这些分歧通过共识解决。最终确定符合条件的研究。 数据提取与分析 两名研究人员独立从选定的文献中提取数据。如有分歧，咨询第三位研究员，这些分歧通过共识解决。提取的数据如下：作者、年份、国家、研究地点、样本量、模型构建、验证方法、模型预测因子、表现形式、性能和其他信息。 方法学质量评价 两名研究人员根据预测模型偏倚风险评估工具（Prediction Model Risk of Bias Assessment Tool, PROBAST）[38] 独立评估所纳入研究的方法学质量，包括偏倚风险和适用性评估。PROBAST列表包括四个评估领域，即研究对象、预测因子、结果和分析，共有20个问题。在本研究中，所有领域的偏倚风险均进行了评估，前三个领域进行了适用性评估。偏倚风险评估问题的回答为“是”/“可能是”，“否”/“可能是”或“无信息”；适用性评估问题的回答为“低适用性风险”、“高适用性风险”或“不清楚”。在评估过程中如有分歧，则咨询第三位研究员，这些分歧通过共识解决。 结果 文献搜索和筛选结果 初步搜索共获得970篇文章，包括563篇英文文章和407篇中文文章。经过一系列去重、读标题和摘要以及阅读全文的筛选过程后，最终纳入26篇文章。所有研究均为构建预测模型的研究，以验证其属性。文献筛选流程图见图1。 所纳入研究的质量评估 使用PROBAST评估所纳入研究的质量。在26项选定的研究中，3项具有低偏倚风险，23项具有高偏倚风险；总体方法学质量需要改进。偏倚风险评估结果见表1。 所选研究的基本特征 在26项纳入研究中，设计类型主要为回顾性队列研究、回顾性病例对照研究和前瞻性队列研究。17项为单中心研究，9项为多中心研究。所纳入的研究来自7个国家：15项来自中国，2项来自美国，2项来自印度，2项来自瑞典，3项来自以色列，1项来自荷兰，1项来自澳大利亚。所纳入研究的模型构建见表2。 剖宫产后阴道分娩（VBAC）预测模型的构建与验证 模型构建方法及表现 从26项纳入研究中构建了26个VBAC预测模型。23项研究使用逻辑回归构建预测模型，1项使用LASSO回归，2项使用机器学习算法。11个模型以回归方程的形式呈现，具有明确的数学形式，易于理解和解释。7个模型以诺模图的形式呈现，可以直观地显示数据分布和趋势。5个模型作为评分系统，将复杂信息简化为一个或多个分数，便于快速评估和决策。2个模型作为机器学习模型，可以处理大量复杂数据，具有较高的预测准确性。1个模型作为基于网络的计算器，具有交互性，允许用户实时输入数据并立即获得反馈。 模型预测因子 每项选定的研究涉及1-10个预测因子；由于人口统计学和分娩相关因素的不同，每个预测模型中的预测因子也有所不同。其中，频率最高的预测因子 图1 文献筛选流程图 崔红等. BMC Pregnancy and Childbirth (2024) 24:869 第4页共16页 表1 所纳入研究的偏倚风险评估 a 表示未进行外部验证；所有评估均为高风险 选定研究 研究对象 预测因子 结果 统计分析 总体偏倚风险评估 ① ② 偏倚风险 ③ ④ ⑤ 偏倚风险 ⑥ ⑦ ⑧ ⑨ ⑩ ⑪ 偏倚风险 ⑫ ⑬ ⑭ ⑮ ⑯ ⑰ ⑱ ⑲ ⑳ 偏倚风险 Grobman [15] 是 是 低 是 是 是 低 是 是 是 是 是 低 是 是 是 是 是 是 是 是 是 低 低 Kiran [19] 是 是 低 是 是 是 低 是 是 是 是 是 低 是 是 是 否 是 是 是 是 高 高a Lakra [21] 是 是 低 是 是 是 低 是 是 是 是 是 低 是 是 是 否 是 是 是 是 高 高a Li [23] 是 是 低 是 是 是 低 是 是 是 是 是 低 是 是 是 否 是 是 是 是 高 高 Liao [25] 否 是 高 是 是 是 低 是 是 是 是 是 低 是 是 是 否 是 是 是 是 高 高a Lin [26] 是 是 低 是 是 是 低 是 是 是 是 是 低 是 是 是 否 是 是 否 是 高 高 Wollmann [27] 是 是 低 是 是 是 低 是 是 是 是 是 低 是 是 是 是 是 是 是 是 低 低 Meyer [28] 是 是 低 是 是 是 低 是 是 是 是 是 低 是 是 是 否 是 是 是 是 高 高 Mi [29] 否 是 高 是 是 是 低 是 是 是 是 是 低 是 是 是 否 是 是 是 是 高 高 Mizrachi [30] 否 是 高 是 是 是 低 是 是 是 是 是 低 是 是 是 是 是 是 是 是 低 高a Schoorel [32] 否 是 高 是 是 是 低 是 是 是 是 是 低 是 是 是 是 是 是 是 是 低 高a Zhang [42] 否 是 高 是 是 是 低 是 是 是 是 是 低 是 是 是 否 是 是 是 是 高 高 Chen [8] 否 是 高 是 是 是 低 是 是 是 是 是 低 是 是 是 否 是 是 是 是 高 高 Fang [10] 否 否 高 是 是 是 低 是 是 是 是 是 低 否 是 是 是 是 是 是 是 高 高 Hu [17] 是 是 低 是 是 是 低 是 是 是 是 是 低 是 是 是 否 是 是 是 是 高 高 Hua [18] 是 否 高 是 是 是 低 是 是 是 是 是 低 否 否 是 是 否 是 是 是 高 高 Lai [20] 是 是 低 是 是 是 低 是 是 是 是 是 低 是 是 是 否 是 是 是 是 高 高 Li [24] 否 是 高 是 是 是 低 是 是 是 是 是 低 是 是 是 否 是 是 是 是 低 高 Shui [33] 否 是 高 是 是 是 低 是 是 是 是 是 低 是 是 是 否 是 是 是 是 高 高 Sun [35] 否 否 高 是 是 是 低 是 是 是 是 是 低 是 是 是 否 是 是 是 是 高 高 Yu [41] 否 是 高 是 是 是 低 是 是 是 是 是 低 否 是 是 是 否 是 是 是 高 高 Bi [5] 否 是 高 是 是 是 低 是 是 是 是 是 低 否 是 是 是 否 是 是 是 高 高 Carlsson [7] 否 是 高 是 是 是 低 是 是 是 是 是 低 否 是 是 是 否 是 是 是 高 高 Gerhardy [11] 否 是 高 是 是 是 低 是 是 是 是 是 低 否 是 是 是 是 是 是 是 高 高 Gonen [12] 否 是 高 是 是 是 低 是 是 是 是 是 低 否 是 是 是 是 不适用 是 高 高 Grobman [14] 是 是 低 是 是 是 低 是 是 是 是 是 低 是 是 是 是 是 是 是 是 低 低 崔红等. BMC Pregnancy and Childbirth (2024) 24:869 第5页共16页 表2 选定研究模型的构建 作者 年份 国家 研究地点 研究设计 模型构建 样本量 模型验证 样本量 模型构建方法 模型预测因子 模型表现形式 模型验证方法 模型性能 区分度 校准度 Grobman [15] 2021 美国 多中心 前瞻性队列研究 5741 5946 逻辑回归 年龄、孕前BMI、身高、症状停止、剖宫产前阴道分娩史、VBAC史、慢性高血压史 基于网络的计算器 外部（ROC） 0.75 不清楚 Kiran [19] 2020 印度 单中心 前瞻性队列研究 194 未报告 逻辑回归 年龄、BMI、Bishop评分、之前阴道分娩史 评分系统 不清楚 0.853 0.804 Lakra [21] 2020 印度 单中心 观察性研究 150 未报告 逻辑回归 既往分娩次数、自然分娩、Bishop评分、孕周、BMI 评分系统 不清楚 0.77 不清楚 Li [23] 2019 中国 多中心 回顾性队列研究 1491 373 逻辑回归 孕周、阴道分娩史、估计出生体重、BMI、临产、Bishop评分、羊膜早破 诺模图 外部（ROC、Youden指数） 0.77 0.82 崔红等. BMC Pregnancy and Childbirth (2024) 24:869 第6页共16页 表2（续） 作者 年份 国家 研究地点 研究设计 模型构建 样本量 模型验证 样本量 模型构建方法 模型预测因子 模型表现形式 模型验证方法 模型性能 区分度 校准度 Liao [25] 2020 中国 单中心 回顾性描述性研究 1062 1062 逻辑回归 年龄、阴道分娩史、分娩间隔、试产前剖宫产、之前剖宫产的原因、间质直径、孕前BMI、孕周、估计胎儿体重、高血压疾病 评分系统 不清楚 0.777 0.71 Lin [26] 2019 中国 单中心 前瞻性研究 162 162 逻辑回归 Bishop评分、自然分娩 诺模图 不清楚 0.953 0.948 Wollmann [27] 2021 瑞典 多中心 队列研究 1558 1558 条件推断树、条件随机森林、LASSO二元回归 首次剖宫产的原因 机器学习模型 外部 0.61–0.69 0.684–0.704 Meyer [28] 2020 以色列 单中心 队列研究 792 197 随机森林、广义线性模型、极端梯度提升决策树 阴道分娩史、剖宫产后阴道分娩、身高、宫颈消失和扩张增加、低胎位、引产、之前下降停止 机器学习模型 外部 0.336–0.351 不清楚 崔红等. BMC Pregnancy and Childbirth (2024) 24:869 第7页共16页 表2（续） 作者 年份 国家 研究地点 研究设计 模型构建 样本量 模型验证 样本量 模型构建方法 模型预测因子 模型表现形式 模型验证方法 模型性能 区分度 校准度 Mi [29] 2021 中国 单中心 回顾性队列研究 551 227 逻辑回归 既往分娩次数、BMI、Bishop评分、阴道分娩史、新生儿出生体重 诺模图 外部 0.730 不清楚 Mizrachi [30] 2017 以色列 单中心 回顾性队列研究 231 231 逻辑回归 模型1：VBAC史、TOLAC时宫颈消失、之前剖宫产时头位、之前剖宫产时新生儿体重 模型2：之前剖宫产时宫颈位置、TOLAC时宫颈消失、之前剖宫产时新生儿体重 回归方程 不清楚 模型1：0.80 模型2：0.76 不清楚 Schoorel [32] 2014 荷兰 多中心 回顾性队列研究 515 515 逻辑回归 估计胎儿体重、既往非连续分娩、阴道分娩史、引产、孕前BMI、种族 方程 内部验证（自助法） 0.708 0.13 崔红等. BMC Pregnancy and Childbirth (2024) 24:869 第8页共16页 表2（续） 作者 年份 国家 研究地点 研究设计 模型构建 样本量 模型验证 样本量 模型构建方法 模型预测因子 模型表现形式 模型验证方法 模型性能 区分度 校准度 Zhang [42] 2020 中国 单中心 回顾性队列研究 483 225 LASSO回归 母亲身高、分娩时母亲BMI、宫底高度、宫颈Bishop评分、母亲分娩年龄、孕周、阴道分娩史 诺模图 内部（ROC、自助法重采样、DCA）、外部 0.89 不清楚 Chen [8] 2021 中国 单中心 回顾性病例对照研究 149 75 逻辑回归 入院时母亲BMI较低、高宫颈Bishop评分、自发临产、子宫下段肌层较厚、新生儿体重<3500g 回归方程 不清楚 0.908 不清楚 Fang [10] 2019 中国 单中心 回顾性病例对照研究 430 未报告 人工神经网络（ANN）、逻辑回归 母亲年龄、孕期体重增长、本次妊娠是否有剖宫产指征、本次妊娠是否有羊膜人工破裂或计划分娩、Bishop评分 回归方程 不清楚 ROC曲线 ANN预测模型：0.850 逻辑回归预测模型：0.810 不清楚 崔红等. BMC Pregnancy and Childbirth (2024) 24:869 第9页共16页 表2（续） 作者 年份 国家 研究地点 研究设计 模型构建 样本量 模型验证 样本量 模型构建方法 模型预测因子 模型表现形式 模型验证方法 模型性能 区分度 校准度 Hu [17] 2019 中国 单中心 前瞻性队列研究 290 未报告 逻辑回归 年龄、身高、孕期体重增长（kg）、阴道分娩史、入院时宫颈消失（%）、引产 回归方程 不清楚 0.778 不清楚 Hua [18] 2009 中国 单中心 前瞻性队列研究 94 未报告 逻辑回归 年龄、上次剖宫产至今的时间、子宫下段厚度、孕期高血压 回归方程 不清楚 0.828 不清楚 Lai [20] 2018 中国 单中心 前瞻性队列研究 532 未报告 逻辑回归 新生儿出生体重、入院时宫颈Bishop评分、羊膜破裂 回归方程 不清楚 0.926 0.416 Li [24] 2020 中国 单中心 回顾性病例对照研究 975 244 逻辑回归 孕周、流产次数、阴道分娩史、BMI（kg/m2）、孕期高血压、引产、宫颈Bishop评分 回归方程 外部（ROC） AUC = 0.83（内部） AUC = 0.81（评估样本） 不清楚 崔红等. BMC Pregnancy and Childbirth (2024) 24:869 第10页共16页 表2（续） 作者 年份 国家 研究地点 研究设计 模型构建 样本量 模型验证 样本量 模型构建方法 模型预测因子 模型表现形式 模型验证方法 模型性能 区分度 校准度 Shui [33] 2022 中国 多中心 回顾性病例对照研究 294 83 逻辑回归 年龄、孕前BMI、胎儿体重、子宫下段肌层厚度、孕前训练次数 诺模图预测模型 内部（自助法） 0.927 不清楚 Sun [35] 2022 中国 单中心 回顾性病例对照研究 184 未报告 逻辑回归 母亲临产、入院时Bishop评分较高（保护因素）、孕期体重过度增长、新生儿体重较高（危险因素） 回归方程 不清楚 0.814 0.127 Yu [41] 2021 中国 单中心 回顾性病例对照研究 324 未报告 逻辑回归 是否接近临产、早产、胎膜早破、身高、分娩间隔、新生儿体重、前次妊娠手术指征 构建评分系统 不清楚 0.918 0.826 崔红等. BMC Pregnancy and Childbirth (2024) 24:869 第11页共16页 表2（续） 作者 年份 国家 研究地点 研究设计 模型构建 样本量 模型验证 样本量 模型构建方法 模型预测因子 模型表现形式 模型验证方法 模型性能 区分度 校准度 Bi [5] 2020 中国 多中心 回顾性病例对照研究 1013 未报告 逻辑回归 重力、胎次、既往分娩次数、转诊来源、胎膜早破、孕前出血、胎盘增生谱型、子痫前期、新生儿体重、催产素引产 诺模图 不清楚 第一 trimester 模型 AUC = 0.661 孕前模型 AUC = 0.743 不清楚 Carlsson [7] 2019 瑞典 多中心 回顾性队列研究 19343 19343 逻辑回归 既往VBAC和非头位剖宫产 回归方程 不清楚 0.67 不清楚 Gerhardy [11] 2022 澳大利亚 多中心 回顾性队列研究 13237 4412 逻辑回归 母亲出生地、BMI、胎次、上次分娩是否为剖宫产、任何既往阴道分娩、既往剖宫产次数、母亲年龄、糖尿病（先天性或妊娠期糖尿病）、高血压疾病（先天性、妊娠期或子痫前期）和胎儿异常 回归方程 不清楚 完整模型 AUC = 0.7887 孕前模型 AUC = 0.7384 不清楚 崔红等. BMC Pregnancy and Childbirth (2024) 24:869 第12页共16页 表2（续） 作者 年份 国家 研究地点 研究设计 模型构建 样本量 模型验证 样本量 模型构建方法 模型预测因子 模型表现形式 模型验证方法 模型性能 区分度 校准度 Gonen [12] 2004 以色列 单中心 回顾性队列研究 475 未报告 逻辑回归 初次剖宫产指征为异常胎位、既往VBAC、宫颈扩张、孕周<41周、初次剖宫产时孕周较小 评分系统 无信息 无信息 不清楚 Grobman [14] 2007 美国 多中心 前瞻性队列研究 7660 未报告 逻辑回归 年龄、BMI、种族、既往阴道分娩、VBAC发生情况、可能反复出现的剖宫产指征 回归方程、诺模图 内部 0.75 不清楚 崔红等. BMC Pregnancy and Childbirth (2024) 24:869 第13页共16页 主要为Bishop评分、阴道分娩史、新生儿体重、产妇年龄和BMI。 模型特性 预测模型的特性评估包括区分度和校准度 [39]。在26项纳入研究中，25项使用受试者操作特征曲线下面积（AUC）来评估模型的区分度。其中，3个模型的区分能力小于0.7，17个模型的区分能力在0.7到0.9之间，5个模型的区分能力大于0.9。这表明大多数预测模型具有良好的区分度，只有1项研究未报告模型的区分能力 [12]。Hosmer-Lemeshow检验用于9项研究中验证模型的校准度；6项研究中的模型显示出合理的校准度。 模型验证 模型验证可以是内部验证或外部验证 [39]。在26个纳入模型中，4个进行了内部验证，6个进行了外部验证，只有1个同时进行了内部和外部验证。大多数模型（11项研究）以回归方程的形式呈现；其他形式包括诺模图（7项研究）、机器学习模型（2项研究）、评分系统（5项研究）和基于网络的计算器（1项研究）。 讨论 在本综述中，我们总结了26个剖宫产后阴道分娩（VBAC）的预测模型。由于各地区医疗和文化背景的差异，VBAC预测模型种类繁多。然而，大多数模型以回归方程的形式呈现，尚未可视化，增加了临床使用的复杂性。关于模型验证，大多数模型缺乏外部验证，表明现有VBAC预测模型研究在验证方面存在不足。在研究人群方面，15个预测模型源自中国。中国文献占主导地位的原因是2016年实施二孩政策后，中国的二胎妊娠激增。这一人口结构变化包括大量有剖宫产史的女性，她们面临剖宫产后试产（TOLAC）的决定。这可能解释了相关中国文献的丰富。由于大多数纳入研究集中在中国，这些预测模型可能主要适用于中国的医疗环境和人群特征。各地区医疗资源、文化背景和孕产妇健康状况的差异表明，这些模型在其他国家和地区的适用性需要进一步验证和调整，以确保其有效性和可靠性。 就研究方法而言，这些模型主要采用了各种统计技术，包括逻辑回归、LASSO回归和机器学习算法。逻辑回归是一种常用统计方法，通过估算自变量与二分类因变量之间的关系来建立模型。它适用于处理二分类结局的数据，并能提供概率估计。LASSO回归是一种正则化线性回归方法，通过引入惩罚项来约束回归系数，从而实现特征选择。这种方法可以有效解决多重共线性问题，提高模型的可解释性和预测能力。此外，一些研究采用了随机森林和支持向量机（SVM）等机器学习算法，这些算法可以处理复杂的非线性关系，在大数据集上表现良好。 现有模型未充分验证且方法学质量低 在本综述中，我们总结了26个VBAC预测模型的特性。其中15个模型 [5, 8, 10, 17, 18, 20, 23–26, 29, 33, 35, 41, 42] 是在中国开发的。主要原因是在2016年实施“二孩政策”后，大量女性选择生育第二个孩子，其中包括有剖宫产史的女性。由于这一特殊原因，中国出现了许多关于剖宫产后阴道分娩预测模型的研究。就模型验证而言，除了一项研究 [12] 未报告区分度（AUROC）外，所有其他研究都报告了区分度（AUROC = 0.336 ~ 0.927），并且大多数模型表现出良好的区分度（AUROC > 0.7）。只有9项研究 [19, 20, 23, 25–27, 32, 35, 41] 报告了校准度。关于模型性能的报告不完整，可能会影响模型的使用。我们的研究还发现，绝大多数研究缺乏外部验证。这些都表明现有的VBAC预测模型研究在模型验证方面仍存在不足。外部验证是评估模型泛化能力的重要步骤，有助于确定其在不同人群和设置中的适用性。缺乏外部验证可能导致模型在新数据集上的表现不佳，限制其实际应用价值。因此，后续研究需要在模型验证方面加以改进。从方法学角度来看，26项研究中有23项存在方法学局限性。只有3项研究 [14, 15, 27] 在质量评估后被认为是低偏倚风险。方法学偏倚风险的主要原因是大多数研究使用单因素分析来筛选预测因子。单因素分析中的显著变量被纳入回归模型。例如，Liao [25] 的研究采用了卡方检验、t检验或Fisher精确检验来进行单因素分析，并将显著差异的变量纳入逻辑回归模型。虽然这是一种常用的筛选变量的方法，但它可能会遗漏一些关键变量并导致偏倚，尤其是在样本量较小的情况下。造成偏倚的第二大主要原因是数据来源不当。来自随机对照试验、前瞻性队列研究、嵌套病例对照研究或病例队列研究的数据是适当的 [38]。在我们纳入的研究中，15项 [5, 7, 8, 10, 11, 23, 25, 29, 30, 32, 33, 35, 41, 42] 是回顾性的，而回顾性研究更容易产生偏倚。第三个主要原因是独立变量的处理。连续变量不适合转换为分类变量 [38]，这一点在7项研究 [5, 7, 10–12, 18, 41] 中有所体现。所有这些证据都表明，当前关于VBAC预测模型的研究方法学质量较差，后续研究需要提高方法学质量以减少研究偏倚的风险。 存在多种类型的VBAC预测模型，迫切需要模型统一和可视化 本研究纳入了多种预测模型。由于研究对象的种族、背景和国籍不同，不同的研究涉及各种具有不同权重的预测因子，这不利于临床研究的扩大。此外，一些模型以回归方程的形式呈现 [7, 8, 10, 11, 17, 18, 20, 24, 30, 32, 35]，增加了临床使用的复杂性。如诺模图和机器学习模型等模型可视化更加直观，可以减少使用中的繁琐和复杂步骤。机器学习技术可以提供诊断和分析便利，因此可以在疾病预测中用于做出有效决策 [36]。未来的研究可以考虑使用诺模图、评分系统和机器学习模型来可视化预测模型。 VBAC预测模型的使用情况 在本研究纳入的26个模型中，Grobman [14] 于2007年开发的模型使用最广泛。该预测诺模图包含六个变量：母亲年龄、身体质量指数、种族、既往阴道分娩、VBAC的发生以及剖宫产的潜在指征。该模型在美国 [9]、日本 [40]、西班牙 [3]、意大利 [1] 等地的外部人群中得到了验证，ROC曲线下面积为0.67–0.80。种族因素可能会影响临床医生选择TOLAC的决定。Grobman在2021年开发了一个不涉及种族和民族的模型 [15]。该模型在日本人群中应用时表现出良好的预测准确性 [34]。Schoorel [32] 的模型是另一个使用较多的模型。该模型在西欧 [32