Сравнительная эффективность восьми алгоритмов машинного обучения и модели конкурирующих рисков FMF для прогнозирования преэклампсии в первом триместре: многоцентровое когортное исследование с внешней валидацией

Цель: систематическое сравнение дискриминации и калибровки 8 алгоритмов машинного обучения (англ. machine learning, ML) с эталонным алгоритмом Фонда фетальной медицины (англ. Fetal Medicine Foundation, FMF) для прогнозирования ранней (< 34 нед), поздней (> 34 нед), тяжелой и преждевременной (< 37 нед) преэклампсии (ПЭ) в I триместре с оценкой инкрементальной ценности маркеров при вложенной архитектуре моделей (M0 [модель включает только клинико-анамнестические данные] → M2 [модель дополнена биофизическими маркерами] → M4 [модель дополнена биохимическими маркерами]) и внешней валидацией на независимом наборе данных (n = 7581).

Материалы и методы. Ретроспективное когортное исследование (TRIPOD 2b + 3). Разработка: когорта разработки (n = 7581), 10-кратная стратифицированная кросс-валидация. Внешняя валидация: независимая когорта (n = 7581). Разработано 96 конфигураций моделей сравнения (8 алгоритмов × 3 уровня предикторов × 4 исхода): M0 – 15 клинико-анамнестических факторов, M2 – со средним артериальным давлением (англ. mean arterial pressure, MAP), пульсационным индексом маточных артерий (англ. uterine artery pulsatility index, UtAPI), M4 – с плацентарным фактором роста (англ. placental growth factor, PlGF) и ассоциированным с беременностью протеином-А плазмы (англ. pregnancy-associated plasma protein-A, PAPP-A). Оценка: AUC-ROC (англ. Area Under the Receiver Operating Characteristic curve; площадь под кривой рабочих характеристик приемника); калибровка – O:E (англ. observed-to-expected ratio; отношение наблюдаемого числа событий к ожидаемому); наклон калибровочной кривой, оценка Бриера; непрерывный индекс реклассификации (англ. net reclassification improvement, NRI); интегральный индекс улучшения дискриминации (англ. integrated discrimination improvement, IDI); анализ кривых принятия решений (англ. decision curve analysis, DCA) и глобальных объяснений Шепли (англ. SHapley Additive exPlanations, SHAP) – метод интерпретации прогнозов модели путем расчета вклада каждого признака в предсказание.

Результаты. На уровне M4 логистическая регрессия продемонстрировала наивысшую дискриминацию: ранняя ПЭ – AUC = 0,976, оптимистичная оценка при числе событий на переменную (англ. events per variable; EPV) = 3,7; доля выявления при 10 % FPR (англ. false positive rate; доля ложноположительных результатов) – 92,9 %; поздняя ПЭ – AUC = 0,837; тяжелая ПЭ – AUC = 0,885; преждевременная ПЭ – AUC = 0,908 при наиболее устойчивой калибровке среди всех алгоритмов при внутренней валидации [O:E = 0,99–1,00 – ожидаемое свойство логистической регрессии (англ. Logistic Regression; LogReg)], подтвержденной на внешней когорте для уровней M0 и M2. Нелинейные алгоритмы и ансамблевые модели с метаобучением не достигли значимого превосходства. Для преждевременной ПЭ (целевого исхода алгоритма FMF) логистическая регрессия и апостериорный риск FMF (англ. FMF posterior) сопоставимы по дискриминации (ΔAUC = +0,002; p > 0,05) при лучшей калибровке LogReg на российской популяции. Для поздней ПЭ (доминирующей формы заболевания) логистическая регрессия, обученная на данный исход, превосходит FMF-риск, использованный как ранговый предиктор нецелевого исхода (AUC = 0,837 vs. 0,807; p < 0,05). FMF обнаружил дискалибровку: переоценку риска для моделируемых исходов (O:E = 0,55 для ранней ПЭ) и структурную недооценку для нецелевых исходов (O:E = 2,84 для поздней ПЭ). Биофизические маркеры были критичны для ранней ПЭ, биохимические – для поздней ПЭ; паттерн устойчив между алгоритмами. Внешняя валидация подтвердила устойчивую дискриминацию на уровне M0 (AUC = 0,790–0,823; n = 7581) и M2 (AUC = 0,801–0,931; n = 4 080); результаты на уровне M4 (n = 1010, 11–40 событий) являются предварительными.

Заключение. Нелинейные алгоритмы ML не превосходят логистическую регрессию, обеспечивающую наиболее устойчивую калибровку, подтвержденную при внешней валидации на уровнях M0 и M2. Логистическая регрессия с архитектурой M0 → M2 → M4 рекомендуется для систем поддержки принятия врачебных решений (СППВР) в первотриместровом скрининге ПЭ. Алгоритм FMF требует популяционной рекалибровки для моделируемых исходов и структурно не предназначен для прогнозирования поздней ПЭ.

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. Brown M.A., Magee L.A., Kenny L.C. et al. Hypertensive disorders of pregnancy: ISSHP classification, diagnosis, and management recommendations for international practice. Hypertension. 2018;72(1):24–43. https://doi.org/10.1161/HYPERTENSIONAHA.117.10803.

3. Клинические рекомендации – Преэклампсия. Эклампсия. Отеки, протеинурия и гипертензивные расстройства во время беременности, в родах и послеродовом периоде – 2024-2025-2026 (05.09.2024). М.: Министерство здравоохранения Российской Федерации, 2024. 53 с. Режим доступа: http://minzdravrm.ru/wp-content/uploads/2024/09/Preeklampsiya_Eklampsiya_Oteki-ptoteinuriya_i_gipertenx_rasstroistva_vo_vremya_berem_v_rodakh_i_poslerodovom_periode.pdf. [Дата обращения: 20.01.2026].

4. Приказ Министерства здравоохранения Российской Федерации от 20.10.2020 № 1130н «Об утверждении Порядка оказания медицинской помощи по профилю "акушерство и гинекология"». М.: Министерство здравоохранения Российской Федерации, 2020. 688 с. Режим доступа: http://publication.pravo.gov.ru/Document/View/0001202011130037. [Дата обращения: 20.01.2026].

5. Staff A.C. The two-stage placental model of preeclampsia: an update. J Reprod Immunol. 2019;134–135:1–10. https://doi.org/10.1016/j.jri.2019.07.004.

6. Redman C.W., Staff A.C., Roberts J.M. Syncytiotrophoblast stress in preeclampsia: the convergence point for multiple pathways. Am J Obstet Gynecol. 2022;226(2S):S907–S927. https://doi.org/10.1016/j.ajog.2020.09.047.

7. Ходжаева З.С., Коган Е.А., Клименченко Н.И. и др. Клинико-патогенетические особенности ранней и поздней преэклампсии. Акушерство и гинекология. 2015;(1):12–7.

8. Wright D., Akolekar R., Syngelaki A. et al. A competing risks model in early screening for preeclampsia. Fetal Diagn Ther. 2012;32(3):171–8. https://doi.org/10.1159/000338470.

9. Akolekar R., Syngelaki A., Poon L. et al. Competing risks model in early screening for preeclampsia by biophysical and biochemical markers. Fetal Diagn Ther. 2013;33(1):8–15. https://doi.org/10.1159/000341264.

10. Wright D., Syngelaki A., Akolekar R. et al. Competing risks model in screening for preeclampsia by maternal characteristics and medical history. Am J Obstet Gynecol. 2015;213(1):62.e1–62.e10. https://doi.org/10.1016/j.ajog.2015.02.018.

11. O'Gorman N., Wright D., Syngelaki A. et al. Competing risks model in screening for preeclampsia by maternal factors and biomarkers at 11–13 weeks gestation. Am J Obstet Gynecol. 2016;214(1):103.e1–103.e12. https://doi.org/10.1016/j.ajog.2015.08.034.

12. Wright D., Wright A., Nicolaides K.H. The competing risk approach for prediction of preeclampsia. Am J Obstet Gynecol. 2020;223(1):12–23.e7. https://doi.org/10.1016/j.ajog.2019.11.1247.

13. Tan M.Y., Syngelaki A., Poon L.C. et al. Screening for pre-eclampsia by maternal factors and biomarkers at 11–13 weeks' gestation. Ultrasound Obstet Gynecol. 2018;52(2):186–95. https://doi.org/10.1002/uog.19112.

14. Rolnik D.L., Wright D., Poon L.C. et al. Aspirin versus placebo in pregnancies at high risk for preterm preeclampsia. N Engl J Med. 2017;377(7):613–622. https://doi.org/10.1056/NEJMoa1704559.

15. Poon L.C., Wright D., Rolnik D.L. et al. Aspirin for Evidence-Based Preeclampsia Prevention trial: effect of aspirin in prevention of preterm preeclampsia in subgroups. Am J Obstet Gynecol. 2017;217(5):585.e1–585.e5. https://doi.org/10.1016/j.ajog.2017.07.038.

16. Chaemsaithong P., Pooh R.K., Zheng M. et al. Prospective evaluation of screening performance of first-trimester prediction models for preterm preeclampsia in an Asian population. Am J Obstet Gynecol. 2019;221(6):650.e1–650.e16. https://doi.org/10.1016/j.ajog.2019.09.041.

17. Rolnik D.L., Wright D., Poon L.C. et al. ASPRE trial: performance of screening for preterm pre-eclampsia. Ultrasound Obstet Gynecol. 2017;50(4):492–5. https://doi.org/10.1002/uog.18816.

18. Холин А.М., Муминова К.Т., Балашов И.С. и др. Прогнозирование преэклампсии в первом триместре беременности: валидация алгоритмов скрининга на российской популяции. Акушерство и гинекология. 2017;(8):74–84. https://doi.org/10.18565/aig.2017.8.74-84.

19. Холин А.М., Иванец Т.Ю., Ходжаева З.С., Гус А.И. Скрининг ранней преэклампсии в I триместре беременности на основе комбинированной оценки материнского сывороточного плацентарного фактора роста и допплерометрии маточных артерий. Акушерство и гинекология. 2015;(5):42–8.

20. Холин А.М., Муминова К.Т., Нагоев Т.М. и др. Прогнозирование преэклампсии в первом триместре на основе клинико-анамнестических факторов, биомаркеров и 3D-энергетической допплеровской оценки васкуляризации плацентарного ложа. Акушерство и гинекология. 2018;(8):56–65. https://doi.org/10.18565/aig.2018.8.56-65.

21. Лемешевская Т.В., Прибушеня О.В. Прогнозирование преэклампсии при проведении расширенного комбинированного пренатального скрининга первого триместра беременности. Акушерство и гинекология. 2017;(12):52–9. https://doi.org/10.18565/aig.2017.12.52-59.

22. Габидуллина Р.И., Ганеева А.В., Шигабутдинова Т.Н. Предикторы преэклампсии. Скрининг и профилактика в I триместре беременности. Гинекология. 2021;23(5):428–34. https://doi.org/10.26442/20795696.2021.5.201213.

23. Ansbacher-Feldman Z., Grinstein E., Ganer Herman H. et al. Machine-learning-based prediction of pre-eclampsia using first-trimester maternal characteristics and biomarkers. Ultrasound Obstet Gynecol. 2022;60(6):739–45. https://doi.org/10.1002/uog.26105.

24. Gil M.M., Cuenca-Gómez D., Rolle V. et al. Validation of machine-learning model for first-trimester prediction of pre-eclampsia using cohort from PREVAL study. Ultrasound Obstet Gynecol. 2024;63(1):68–74. https://doi.org/10.1002/uog.27478.

25. Marić I., Tsur A., Aghaeepour N. et al. Early prediction of preeclampsia via machine learning. Am J Obstet Gynecol MFM. 2020;2(2):100100. https://doi.org/10.1016/j.ajogmf.2020.100100.

26. Jhee J.H., Lee S., Park Y. et al. Prediction model development of late-onset preeclampsia using machine learning-based methods. PLoS One. 2019;14(8):e0221202. https://doi.org/10.1371/journal.pone.0221202.

27. Li T., Xu W., Ouyang F. et al. Prediction model of preeclampsia using machine learning based methods: a population based cohort study in China. Front Endocrinol (Lausanne). 2024;15:1345573. https://doi.org/10.3389/fendo.2024.1345573.

28. Ranjbar A., Montazeri F., Rezaei Ghamsari S. et al. 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.

29. Christodoulou E., Ma J., Collins G.S. et al. A systematic review shows no performance benefit of machine learning over logistic regression for clinical prediction models. J Clin Epidemiol. 2019;110:12–22. https://doi.org/10.1016/j.jclinepi.2019.02.004.

30. Sufriyana H., Husnayain A., Chen Y.-L. et al. Comparison of multivariable logistic regression and other machine learning algorithms for prognostic prediction studies in pregnancy care: systematic review and meta-analysis. JMIR Med Inform. 2020;8(11):e16503. https://doi.org/10.2196/16503.

31. 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.

32. Ившин А.А., Багаудин Т.З., Гусев А.В. Прогнозирование преэклампсии с использованием технологий искусственного интеллекта. Акушерство, Гинекология и Репродукция. 2021;15(5):576–85. https://doi.org/10.17749/2313-7347/ob.gyn.rep.2021.229.

33. Болдина Ю.С., Ившин А.А. Возможности машинного обучения в прогнозировании акушерских кровотечений. Акушерство, Гинекология и Репродукция. 2024;18(3):365–81. https://doi.org/10.17749/2313-7347/ob.gyn.rep.2024.491.

34. Ившин А.А., Малышев Н.А. Ранняя стратификация риска преэклампсии на основе мультипараметрической модели машинного обучения и рутинных клинических данных. Акушерство, Гинекология и Репродукция. 2026;20(1):111–29. https://doi.org/10.17749/2313-7347/ob.gyn.rep.2025.706.

35. Collins G.S., Reitsma J.B., Altman D.G., Moons K.G.M. Transparent reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis (TRIPOD): the TRIPOD Statement. Ann Intern Med. 2015;162(1):55–63. https://doi.org/10.7326/M14-0697.

36. Collins G.S., Moons K.G.M., Dhiman P. et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:e078378. https://doi.org/10.1136/bmj-2023-078378.

37. Breiman L. Random forests. Machine Learning. 2001;45(1):5–32. https://doi.org/10.1023/A:1010933404324.

38. Chen T., Guestrin C. XGBoost: a Scalable Tree Boosting System. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2016. 785–94. https://doi.org/10.1145/2939672.2939785.

39. Ke G., Meng Q., Finley T. et al. LightGBM: a Highly Efficient Gradient Boosting Decision Tree. In: Advances in Neural Information Processing Systems (NeurIPS). 2017;30:3149–57. https://doi.org/10.5555/3294996.3295074.

40. Van Smeden M., de Groot J.A., Moons K.G.M. et al. No rationale for 1 variable per 10 events criterion for binary logistic regression analysis. BMC Med Res Methodol. 2016;16(1):163. https://doi.org/10.1186/s12874-016-0267-3.

41. Riley R.D., Ensor J., Snell K.I.E. et al. Calculating the sample size required for developing a clinical prediction model. BMJ. 2020;368:m441. https://doi.org/10.1136/bmj.m441.

42. Steyerberg E.W. Clinical prediction models: a practical approach to development, validation, and updating. 2nd ed. Cham: Springer, 2019. 558 p.

43. Van Calster B., Nieboer D., Vergouwe Y. et al. A calibration hierarchy for risk models was defined: from utopia to empirical data. J Clin Epidemiol. 2016;74:167–76. https://doi.org/10.1016/j.jclinepi.2015.12.005.

44. Van Calster B., McLernon D.J., Van Smeden M. et al. Calibration: the Achilles heel of predictive analytics. BMC Med. 2019;17(1):230. https://doi.org/10.1186/s12916-019-1466-7.

45. DeLong E.R., DeLong D.M., Clarke-Pearson D.L. Comparing the areas under two or more correlated receiver operating characteristic curves: a nonparametric approach. Biometrics. 1988;44(3):837–45. https://doi.org/10.2307/2531595.

46. Pencina M.J., D'Agostino R.B. Sr., D'Agostino R.B. Jr., Vasan R.S. Evaluating the added predictive ability of a new marker: from area under the ROC curve to reclassification and beyond. Stat Med. 2008;27(2):157–172. https://doi.org/10.1002/sim.2929.

47. Vickers A.J., Elkin E.B. Decision curve analysis: a novel method for evaluating prediction models. Med Decis Making. 2006;26(6):565–74. https://doi.org/10.1177/0272989X06295361.

48. Lundberg S.M., Lee S.-I. A unified approach to interpreting model predictions. In: Advances in Neural Information Processing Systems (NeurIPS). 2017;30:4765–74. https://doi.org/10.5555/3295222.3295230.

49. Lundberg S.M., Erion G., Chen H. et al. From local explanations to global understanding with explainable AI for trees. Nat Mach Intell. 2020;2(1):56–67. https://doi.org/10.1038/s42256-019-0138-9.

50. Grinsztajn L., Oyallon E., Varoquaux G. Why do tree-based models still outperform deep learning on typical tabular data? In: Advances in Neural Information Processing Systems (NeurIPS). 2022;35:507–20. https://doi.org/10.5555/3600270.3600307.

51. Melinte-Popescu A.S., Vasilache I.A., Socolov D. et al. Predictive performance of machine learning-based methods for the prediction of preeclampsia – a prospective study. J Clin Med. 2023;12(2):418. https://doi.org/10.3390/jcm12020418.

52. Ившин А.А., Багаудин Т.З., Гусев А.В. Искусственный интеллект на страже репродуктивного здоровья. Акушерство и гинекология. 2021;(5):17–24. https://doi.org/10.18565/aig.2021.5.17-24.

53. Wright A., Wright D., Syngelaki A. et al. Two-stage screening for preterm preeclampsia at 11–13 weeks' gestation. Am J Obstet Gynecol. 2019;220(2):197.e1–197.e11. https://doi.org/10.1016/j.ajog.2018.10.092.

54. Wright D., Tan M.Y., O'Gorman N. et al. Predictive performance of the competing risk model in screening for preeclampsia. Am J Obstet Gynecol. 2019;220(2):199.e1–199.e13. https://doi.org/10.1016/j.ajog.2018.11.1087.

55. Сидорова И.С., Никитина Н.А. Преэклампсия в центре внимания врача-практика. Акушерство и гинекология. 2014;(6):4–10.

56. Кан Н.Е., Беднягин Л.А., Долгушина Н.В. и др. Клинико-анамнестические факторы риска развития преэклампсии у беременных. Акушерство и гинекология. 2016;(6):39–44. https://doi.org/10.18565/aig.2016.6.39-44.