助产与母婴健康数据 AI 统计分析 — 妊娠结局 Logistic 回归与风险因素挖掘

助产学、妇产科、护理学论文的数据分析死穴：妊娠结局是二分类因变量，不能用线性回归；风险因素有十几个，不知道如何筛选进多因素模型；OR 值、95% CI、Hosmer-Lemeshow 检验从哪里来；审稿人要求补充 ROC 曲线……这篇文章把母婴健康研究最常见的统计场景一次串通，每步给出 ChatSRS 可直接使用的一句话指令，以及可直接抄进论文的 APA 7th 报告句式。

---

母婴健康数据分析为什么让人头疼

如果你在写助产学、妇产科护理、围产医学、公共卫生或护理学方向的论文，以下场景大概率经历过：

• 因变量是"是否发生不良妊娠结局"这类二分类变量，不知道该用什么回归方法
• 风险因素多达十几个（年龄、孕次、BMI、妊高症、贫血……），不知道先做单因素还是直接进多因素
• 跑出来的 Logistic 结果有 B、Wald、OR、95% CI，不知道哪些数字要报告、格式是什么
• 导师或审稿人说"请补充 Hosmer-Lemeshow 拟合优度检验和 ROC 曲线面积（AUC）"
• SPSS 输出的表格不符合期刊三线表要求，需要手动重排

这些痛点不是能力问题，而是母婴健康研究的统计方法链条相对专业——从描述统计、单因素筛选到多因素 Logistic 建模，再到模型诊断和预测效能评估，每步都有前提要求和规范报告格式。

chatsrs.com 把这整条链条变成对话，支持 SPSS / R / Stata 三引擎，以下按典型研究设计从头演示。

---

助产研究最常见的三种数据结构

数据类型一：回顾性病历数据（最常见）

医院电子病历或产科档案中整理出的患者信息，每行是一名产妇：

编号  年龄  孕次  产次  孕前BMI  GDM  PIH  贫血  胎位  分娩方式  不良结局(0/1)
001   28    2     1    23.4     0    0    1    头位   顺产    0
002   35    3     2    27.8     1    1    0    头位   剖宫产  1
...

关键统计链：描述统计 → 单因素分析（卡方/t 检验）→ 多因素 Binary Logistic → OR 值及 95% CI → Hosmer-Lemeshow 检验 → ROC 曲线

数据类型二：前瞻性队列 / 横断面调查

围产期门诊或病房收集的问卷数据，包含量表维度（孕期心理健康、社会支持等）：

编号  孕周  焦虑量表得分  抑郁量表得分  社会支持得分  规律产检  早产(0/1)
001   28    12           8            38          1       0
002   32    21           15           27          0       1
...

关键统计链：描述统计 → 信效度检验 → 单因素分析 → 多因素 Logistic → 调整 OR → 亚组分析

数据类型三：新生儿结局数据（连续 + 分类混合）

以新生儿体重、Apgar 评分等连续指标为因变量，同时需要 Logistic（是否低出生体重）和线性回归（出生体重具体数值）：

编号  胎龄  母亲年龄  孕期增重  GDM  出生体重(g)  低出生体重(0/1)  Apgar1min
001   38    29       11.2     0    3280         0              9
002   35    33       6.8      1    2240         1              7
...

---

全流程分析演示：不良妊娠结局风险因素研究

以"妊娠期糖尿病（GDM）患者不良妊娠结局的影响因素分析"为例：样本量 320 例，其中不良结局 98 例（30.6%），良好结局 222 例（69.4%）。

第一步：描述统计 — 了解两组基线特征

打开 chatsrs.com，上传数据后输入：

"请对不良结局组（n=98）和良好结局组（n=222）分别输出：年龄、孕前BMI、孕期增重、空腹血糖的均值、标准差；孕次、产次、合并高血压、合并贫血、分娩方式的频数和构成比。生成 APA 格式三线表，对连续变量做独立样本 t 检验，对分类变量做卡方检验，报告 p 值。"

ChatSRS 自动输出：

表 1  两组产妇基线特征比较

变量                      不良结局组 (n=98)    良好结局组 (n=222)    统计量        p 值
年龄 (岁, M +- SD)         32.4 +- 4.7         29.8 +- 4.2          t = 4.76     < .001
孕前 BMI (kg/m2)           27.3 +- 3.8         24.6 +- 3.1          t = 6.09     < .001
孕期增重 (kg)              17.2 +- 4.9         13.8 +- 4.4          t = 5.71     < .001
空腹血糖 (mmol/L)          6.82 +- 1.24         5.61 +- 0.87         t = 9.43     < .001
合并高血压 [n(%)]           41 (41.8%)           38 (17.1%)          chi2 = 22.47  < .001
合并贫血 [n(%)]             29 (29.6%)           44 (19.8%)          chi2 = 3.82    .051
经产妇 [n(%)]               53 (54.1%)           87 (39.2%)          chi2 = 6.14    .013
剖宫产 [n(%)]               72 (73.5%)          102 (45.9%)          chi2 = 21.36  < .001

为什么要先做这步：这张基线特征表是妇产科论文 Table 1 的标配，用于展示两组的可比性；同时单因素分析初步筛选出 p < .05 或 p < .10 的变量，作为后续多因素模型的候选预测变量。

---

第二步：单因素 Logistic 回归 — 逐一筛选候选变量

"请对以下变量分别做单因素 Binary Logistic 回归，以不良妊娠结局为因变量（1=不良，0=良好）：年龄、孕前BMI、孕期增重、空腹血糖、合并高血压、合并贫血、经产妇、剖宫产。报告每个变量的 OR 值、95% CI 和 p 值，生成 APA 三线表。"

ChatSRS 输出单因素 Logistic 汇总表：

表 2  单因素 Binary Logistic 回归结果

变量              OR       95% CI              Wald      p 值
年龄             1.14     [1.07, 1.21]         16.23    < .001
孕前 BMI         1.23     [1.14, 1.33]         25.47    < .001
孕期增重         1.18     [1.11, 1.26]         27.69    < .001
空腹血糖         2.86     [2.01, 4.07]         30.12    < .001
合并高血压        3.47     [1.99, 6.06]         22.46    < .001
合并贫血          1.72     [0.97, 3.05]          3.45     .063
经产妇            1.82     [1.10, 3.01]          5.77     .016

p < .05 或理论上有意义（p < .10）的变量均进入多因素模型。注：剖宫产在单因素分析中虽有统计学差异（见 Table 1），但作为分娩方式它在临床逻辑上属于妊娠结局的中间变量或伴随事件，而非独立产前预测因素，故在多因素建模阶段将其排除，不作为自变量纳入。

---

第三步：多因素 Binary Logistic 回归 — 核心分析

"将年龄、孕前BMI、孕期增重、空腹血糖、合并高血压、合并贫血、经产妇同时纳入多因素 Binary Logistic 回归，以不良妊娠结局为因变量。使用 Enter 法（强制进入法）。报告每个变量的 B、SE、Wald、OR、95% CI 和 p 值；报告模型整体检验（-2LL、Cox & Snell R2、Nagelkerke R2）；做 Hosmer-Lemeshow 拟合优度检验。生成 APA 格式三线表。"

ChatSRS 输出：

表 3  多因素 Binary Logistic 回归结果（Enter 法，n = 320）

变量              B        SE      Wald    OR       95% CI              p 值
年龄             0.08     0.04     4.21   1.08    [1.00, 1.17]         .040
孕前 BMI         0.17     0.05     11.56  1.19    [1.08, 1.31]        < .001
孕期增重         0.12     0.04     9.33   1.13    [1.04, 1.22]         .002
空腹血糖         0.89     0.19     21.47  2.43    [1.68, 3.53]        < .001
合并高血压        1.12     0.29     14.88  3.07    [1.73, 5.44]        < .001
合并贫血          0.41     0.28     2.13   1.51    [0.87, 2.62]         .144
经产妇            0.52     0.26     4.04   1.68    [1.01, 2.80]         .044
常数项           -7.83    1.42     30.41   —        —                 < .001

模型整体检验: chi2(7) = 98.43, p < .001
Cox & Snell R2 = .264; Nagelkerke R2 = .377
Hosmer-Lemeshow 检验: chi2(8) = 5.67, p = .684 — 模型拟合良好

---

第四步：ROC 曲线 — 评估模型预测效能

"对上述多因素 Logistic 回归模型做 ROC 曲线分析，输出 AUC（95% CI）、最佳截断点对应的灵敏度和特异度。"

ChatSRS 输出：

ROC 曲线分析结果

AUC = 0.812 (95% CI [0.766, 0.858])
最佳截断点（约登指数最大）: 预测概率 = 0.32
灵敏度 = 78.6%，特异度 = 75.2%

AUC 解读：模型预测效能良好（AUC > 0.80）。

---

论文方法 / 结果写法（APA 7th，助产研究报告句式）

这是最直接帮到你的部分——把上面每步分析翻译成论文可用的 APA 格式句子，改换数字即可使用。

方法章节：统计分析策略

采用 SPSS 26.0（IBM Corp.，2019）进行统计分析，R 环境（version 4.4）辅助验证（ChatSRS 平台）。计量资料以均数 ± 标准差（M ± SD）表示，组间比较采用独立样本 t 检验；计数资料以频数和构成比表示，组间比较采用 Pearson chi-square 检验。以单因素分析 p < .10 为变量纳入标准，采用 Enter 法进行多因素 Binary Logistic 回归分析，计算各风险因素的比值比（OR）及其 95% 置信区间（CI）。采用 Hosmer-Lemeshow 检验评价模型拟合优度，采用 ROC 曲线及曲线下面积（AUC）评价模型预测效能。以 p < .05 为差异有统计学意义。

结果章节：单因素分析描述

两组产妇在年龄、孕前 BMI、孕期增重、空腹血糖及合并高血压、经产史等方面差异均具有统计学意义（p < .05），提示上述因素可能为不良妊娠结局的潜在风险因素。合并贫血在两组间差异未达统计学显著性（chi^2 = 3.82，p = .051），但仍纳入多因素模型进行控制。

结果章节：多因素 Logistic 核心结果

多因素 Binary Logistic 回归分析结果显示（表 3），空腹血糖（OR = 2.43，95% CI [1.68, 3.53]，p < .001）、合并高血压（OR = 3.07，95% CI [1.73, 5.44]，p < .001）、孕前 BMI（OR = 1.19，95% CI [1.08, 1.31]，p < .001）、孕期增重（OR = 1.13，95% CI [1.04, 1.22]，p = .002）、经产妇（OR = 1.68，95% CI [1.01, 2.80]，p = .044）及年龄（OR = 1.08，95% CI [1.00, 1.17]，p = .040）为不良妊娠结局的独立风险因素。合并贫血差异未达统计学显著性（OR = 1.51，p = .144）。Hosmer-Lemeshow 拟合优度检验结果显示模型拟合良好，chi^2(8) = 5.67，p = .684。

结果章节：ROC 曲线及预测效能

ROC 曲线分析显示，该模型对不良妊娠结局的预测效能良好，AUC = 0.812（95% CI [0.766, 0.858]）。以预测概率 0.32 为最佳截断值时，灵敏度为 78.6%，特异度为 75.2%，约登指数最大。上述结果提示本模型对不良妊娠结局具有较好的判别能力。

---

上面四段可以直接进论文 Methods 和 Results 章节，替换自己的数值即可。ChatSRS 的"APA 报告"功能可自动生成对应段落，无需手动转写。

---

三引擎实现对比（SPSS / R / Stata）

ChatSRS 底层支持 SPSS、R、Stata 三套引擎，输出数值完全一致（相同统计方法），可按导师或期刊要求选择：

功能	SPSS 路径	R 包	Stata 命令
Binary Logistic 回归	Analyze → Regression → Binary Logistic	glm(y ~ x, family=binomial)	logistic y x1 x2 x3
单因素逐步筛选	同上，Method = Forward LR	step() / glm 循环	logistic y x; foreach
Hosmer-Lemeshow	输出选项勾选 H-L	ResourceSelection::hoslem.test()	estat gof, group(10)
ROC 曲线	Analyze → ROC Curve	pROC::roc()	roctab y xhat
OR 值 95% CI	自动输出	exp(confint(model))	logistic（默认输出 OR）

在 ChatSRS 描述分析目标时注明"请用 SPSS / R / Stata 风格报告"，即可切换对应引擎的输出格式与参考文献写法。

---

常见 FAQ

Q1: 妊娠结局是二分类，为什么不能用线性回归？

线性回归要求因变量连续，且预测值可能超出 [0, 1] 范围，不具有概率解释。Binary Logistic 回归通过 logit 变换将线性组合映射到 [0, 1] 区间，直接输出"发生不良结局的概率"，更符合二分类结局的数学要求。审稿人发现用线性回归分析二分类结局会直接要求返修。

Q2: 单因素进入多因素的 p 值阈值为什么用 .10 不用 .05？

这是流行病学和临床研究的惯例。单因素 p < .05 过于严格，可能把真正重要的混杂因素排除在外，导致多因素模型的混杂控制不足；p < .10（部分文献用 .20）提供更宽松的候选池。最终只报告多因素模型中 p < .05 的变量。在 ChatSRS 中可以直接说"单因素 p < .10 进入多因素模型"，AI 自动筛选。

Q3: Hosmer-Lemeshow 检验 p 值越大越好吗？

是的。Hosmer-Lemeshow 检验是拟合优度检验，原假设是"模型预测值与实际观测值无显著差异（拟合良好）"。因此 p > .05 表示模型拟合良好，不拒绝原假设；p < .05 则说明模型拟合不佳，需要重新考虑变量或交互项。与一般假设检验"期望 p < .05"方向相反，需特别注意。

Q4: AUC 多少算"好的"预测模型？

常用参考标准（Hosmer & Lemeshow, 2000）：

AUC 范围	判别能力
0.50 ~ 0.60	无判别能力（与随机猜测相当）
0.60 ~ 0.70	较差
0.70 ~ 0.80	一般（可接受）
0.80 ~ 0.90	良好
0.90 ~ 1.00	极好

助产/临床研究中 AUC >= .75 通常可以发表，AUC >= .80 是比较理想的水平。ChatSRS 在 ROC 输出中会自动给出判别能力等级描述。

Q5: 样本量多少才够做 Logistic 回归？

经验法则（Peduzzi et al., 1996）：每个预测变量至少需要 10 个阳性事件（结局=1 的例数）。本文示例 7 个预测变量（年龄、孕前BMI、孕期增重、空腹血糖、合并高血压、合并贫血、经产妇，剖宫产因属中间变量已排除）、98 个不良结局事件，EPV（每变量事件数）= 98/7 = 14.0，满足要求。如果样本量偏小，可考虑：(1) 减少纳入预测变量；(2) 合并分类变量的稀少类别；(3) 使用 Firth's penalized Logistic（对小样本更稳健）。在 ChatSRS 中说"样本量较小，请用 Firth 惩罚 Logistic"即可切换算法。

Q6: 论文方法章节是写"SPSS"还是"ChatSRS"？

两种写法均可被接受：

写 ChatSRS 平台（推荐）：

"本研究采用 ChatSRS（https://chatsrs.com/）统计平台进行数据分析，底层引擎为 R 4.4（R Foundation for Statistical Computing, 2024）。"

写 SPSS 或 R（若导师要求）：

"本研究采用 SPSS 26.0（IBM Corp., 2019）进行统计分析，主要分析代码经 R 4.4 交叉验证。"

ChatSRS 的输出与 SPSS 数值完全一致，切换报告风格只需在指令中说明即可。

---

助产研究统计分析小结

分析目的	方法	ChatSRS 一句话关键词
两组基线比较	t 检验 + 卡方检验	"分组描述统计、连续变量 t 检验、分类变量卡方检验"
单因素风险筛选	单因素 Logistic	"逐变量单因素 Logistic，输出 OR 和 95% CI"
独立风险因素分析	多因素 Binary Logistic	"Enter 法多因素 Logistic，Hosmer-Lemeshow 检验"
模型预测效能	ROC 曲线 / AUC	"ROC 曲线、AUC、最佳截断点灵敏度特异度"
新生儿结局（连续）	多元线性回归	"以出生体重为因变量的多元线性回归，VIF 共线性诊断"
时间至发生事件	Cox 比例风险回归	"Cox 回归、HR 值、Kaplan-Meier 生存曲线"
量表心理健康	信效度 + 相关回归	"Cronbach alpha、EFA、Pearson 相关、多元回归"

每一步的输出 ChatSRS 都能直接生成 APA 7th 报告句式，在论文里改改数字就能用。

---

相关阅读

• Binary Logistic 回归完整教程 — AI 一句话跑完二分类结局分析
• OR 值与 95% CI — 医学研究比值比完整解读
• APA Logistic 回归报告句式模板 — 可直接贴入论文
• 护理学数据统计分析 — 临床护理论文全流程
• 临床试验数据分析 — RCT 全套统计 AI 完成

---

本文首发于 ChatSRS 官方博客。如有问题或反馈，欢迎在 ChatSRS 站内 [用户中心 -> 帮助与反馈] 联系我们。