Ранняя стратификация риска преэклампсии на основе мультипараметрической модели машинного обучения и рутинных клинических данных

Введение. Преэклампсия (ПЭ) остается одной из ведущих причин материнской и перинатальной заболеваемости и смертности, при этом большинство случаев по-прежнему выявляются на стадии клинически выраженного заболевания. Сложные алгоритмы прогнозирования ПЭ с использованием биомаркеров и доплерометрии демонстрируют высокую точность, но малопригодны для массового скрининга в условиях ограниченных ресурсов.

Цель: разработать, внутренне и внешне валидировать математические модели прогнозирования риска ПЭ при сроке беременности ≤ 16 недель на основе рутинных данных электронных медицинских карт (ЭМК) с использованием методов машинного обучения.

Материалы и методы. Проведено ретроспективное когортное исследование на основании обезличенных ЭМК беременных из 8 регионов Российской Федерации за период 2010–2025 гг. В аналитический набор включены 19955 визитов на сроке ≤ 16 недель. Целевым событием являлись ПЭ, эклампсия и HELLP-синдром по кодам МКБ-10. В качестве потенциальных предикторов рассмотрен широкий спектр клинико-анамнестических и антропометрических данных. Модели – логистическая регрессия, градиентный бустинг, Random Forest (случайный лес), Extra Trees (экстремально рандомизированные деревья) обучали с учетом дисбаланса классов; отбор признаков осуществляли по SHAP-индексам (англ. SHapley Additive exPlanations indices; индексы аддитивных объяснений Шепли). Внутреннюю оценку проводили на тестовой выборке, независимую внешнюю валидацию – на подвыборке из медицинских организаций Республики Карелия (n = 918).

Результаты. Финальная модель Extra Trees на 35 клинически интерпретируемых предикторах обеспечила ROC-AUC (англ. Receiver Operating Characteristic curve; Area Under Curve; характеристическая кривая, площадь под характеристической кривой) = 0,871 (95 % доверительный интервал (ДИ) = 0,811–0,923) на внутренней и 0,862 (95 % ДИ = 0,833–0,892) на внешней выборке. При пороге вероятности 0,04 чувствительность на внешней выборке составила 0,886, специфичность – 0,631, прогностическая ценность отрицательного результата (англ. negative predictive value, NPV) превышала 0,99. Калибровка вероятностей была умеренной (средняя абсолютная ошибка калибровки составила 0,245). Наибольший вклад в риск ПЭ вносили хроническая артериальная гипертензия, ПЭ в анамнезе, показатели артериального давления, антифосфолипидный синдром и сахарный диабет.

Заключение. Разработанная модель Extra Trees на основе рутинных данных ЭМК демонстрирует удовлетворительную дискриминационную способность, высокую чувствительность и очень высокую NPV и может рассматриваться как скрининговый инструмент для ранней стратификации риска ПЭ, при условии локальной проверки калибровки и дальнейшей клинической оценки.

1. Abalos E., Cuesta C., Grosso A.L. et al. Global and regional estimates of preeclampsia and eclampsia: a systematic review. Eur J Obstet Gynecol Reprod Biol. 2013;170(1):1–7. https://doi.org/10.1016/j.ejogrb.2013.05.005.

2. Duley L. The global impact of pre-eclampsia and eclampsia. Semin Perinatol. 2009;33(3):130–7. https://doi.org/10.1053/j.semperi.2009.02.010.

3. Bisson C., Dautel S., Patel E. et al. Preeclampsia pathophysiology and adverse outcomes during pregnancy and postpartum. Front Med. 2023;10:1144170. https://doi.org/10.3389/fmed.2023.1144170.

4. Poon L.C., Shennan A., Hyett J.A. et al. The International Federation of Gynecology and Obstetrics (FIGO) initiative on pre‐eclampsia: A pragmatic guide for first‐trimester screening and prevention. Int J Gynecol Obstet. 2019;145(S1):1–33. https://doi.org/10.1002/ijgo.12802.

5. Gabbay‐Benziv R., Oliveira N., Baschat A.A. Optimal first trimester preeclampsia prediction: a comparison of multimarker algorithm, risk profiles and their sequential application. Prenat Diagn. 2016;36(1):34–9. https://doi.org/10.1002/pd.4707 .

6. De Kat A.C., Hirst J., Woodward M. et al. Prediction models for preeclampsia: A systematic review. Pregnancy Hypertens. 2019;16:48–66. https://doi.org/10.1016/j.preghy.2019.03.005.

7. Henderson J.T., Thompson J.H., Burda B.U., Cantor A. Preeclampsia screening: evidence report and systematic review for the US Preventive Services Task Force. JAMA. 2017;317(16):1668. https://doi.org/10.1001/jama.2016.18315.

8. Myatt L., Redman C.W., Staff A.C. et al. Strategy for standardization of preeclampsia research study design. Hypertension. 2014;63(6):1293–301. https://doi.org/10.1161/HYPERTENSIONAHA.113.02664.

9. Gao Y., Sharma T., Cui Y. Addressing the challenge of biomedical data inequality: an artificial intelligence perspective. Annu Rev Biomed Data Sci. 2023;6(1):153–71. https://doi.org/10.1146/annurev-biodatasci-020722-020704.

10. Li S., Wang Z., Vieira L.A. et al. Improving preeclampsia risk prediction by modeling pregnancy trajectories from routinely collected electronic medical record data. Npj Digit Med. 2022;5(1):68. https://doi.org/10.1038/s41746-022-00612-x.

11. Li Y.-Х., Shen X.-Р., Yang C. et al. Novel electronic health records applied for prediction of pre-eclampsia: Machine-learning algorithms. Pregnancy Hypertens. 2021;26:102–9. https://doi.org/10.1016/j.preghy.2021.10.006.

12. Ranjbar A., Montazeri F., Ghamsari S.R. Preventive Services Task Force Machine learning models for predicting preeclampsia: a systematic review. BMC Pregnancy Childbirth. 2024;24(1):6. https://doi.org/10.1186/s12884-023-06220-1.

13. Ballard H.K., Yang X., Mahadevan A.D. et al. Five-feature models to predict preeclampsia onset time from electronic health record data: development and validation study. J Med Internet Res. 2024;26:e48997. https://doi.org/10.2196/48997.

14. Wang Y., Li B., Zhao Y. Inflammation in preeclampsia: genetic biomarkers, mechanisms, and therapeutic strategies. Front Immunol. 2022;13:883404. https://doi.org/10.3389/fimmu.2022.883404.

15. Feng Y., Lian X., Guo K. et al. A comprehensive analysis of metabolomics and transcriptomics to reveal major metabolic pathways and potential biomarkers of human preeclampsia placenta. Front Genet. 2022;13:1010657. https://doi.org/10.3389/fgene.2022.1010657.

16. North R.A., McCowan L.M.E., Dekker G.A. et al. Clinical risk prediction for pre-eclampsia in nulliparous women: development of model in international prospective cohort. BMJ. 2011;342:d1875. https://doi.org/10.1136/bmj.d1875.

17. Sandström A., Snowden J.M., Bottai M. et al. Routinely collected antenatal data for longitudinal prediction of preeclampsia in nulliparous women: a population-based study. Sci Rep. 2021;11(1):17973. https://doi.org/10.1038/s41598-021-97465-3.

18. Li T., Xu M., Wang Y. et al. Prediction model of preeclampsia using machine learning based methods: a population based cohort study in China. Front Endocrinol. 2024;15:1345573. https://doi.org/10.3389/fendo.2024.1345573.

19. Sufriyana H., Wu Y.W., Su E.C.Y. Artificial intelligence-assisted prediction of preeclampsia: Development and external validation of a nationwide health insurance dataset of the BPJS Kesehatan in Indonesia. EBioMedicine. 2020;54:102710. https://doi.org/10.1016/j.ebiom.2020.102710.

20. Aljameel S.S., Alzahrani M., Almusharraf R. et al. Prediction of preeclampsia using machine learning and deep learning models: a review. Big Data Cogn Comput. 2023;7(1):32. https://doi.org/10.3390/bdcc7010032.

21. Hackelöer M., Schmidt L., Verlohren S. New advances in prediction and surveillance of preeclampsia: role of machine learning approaches and remote monitoring. Arch Gynecol Obstet. 2022;308(6):1663–77. https://doi.org/10.1007/s00404-022-06864-y.

22. Андрейченко А.Е., Лучинин А.С., Ившин А.А. и др. Разработка и валидация моделей прогнозирования общего риска преэклампсии и риска ранней преэклампсии с использованием алгоритмов машинного обучения в первом триместре беременности. Акушерство и гинекология. 2023;(10):94–107 https://doi.org/10.18565/aig.2023.101.

23. Montgomery-Csobán T., Kavanagh K., Murray P. et al. Machine learning-enabled maternal risk assessment for women with pre-eclampsia (the PIERS-ML model): a modelling study. Lancet Digit Health. 2024;6(4):e238–e250. https://doi.org/10.1016/S2589-7500(23)00267-4.

24. Zhang Y., Sylvester K.G., Jin B. et al. Development of a urine metabolomics biomarker-based prediction model for preeclampsia during early pregnancy. Metabolites. 2023;13(6):715. https://doi.org/10.3390/metabo13060715.