Несмотря на существенные достижения в акушерской и неонатальной помощи, преждевременные роды (ПР) продолжают оставаться глобальной медико-социальной проблемой. Сохраняющаяся высокая распространенность ПР в мире (5–18 % по данным Всемирной организации здравоохранения) с ежегодным числом случаев, превышающим 13 млн, указывает на недостаточную эффективность существующих профилактических парадигм. Даже в странах с развитой системой здравоохранения прослеживаются значительные трудности в снижении частоты ПР, что в полной мере отражается и в отечественной статистике, где показатели варьируют от 4 до 6 %, достигая в специализированных перинатальных центрах более 9 % [1]. ПР влекут серьезные последствия, включая демографические потери, экономическую нагрузку на здравоохранение и психосоциальные последствия на уровне семей, столкнувшихся с данным осложнением. На долю ПР приходится около 1 млн предотвратимых смертей в год, что выводит их на первое место среди причин неонатальной смертности и на второе – в структуре смертности детей до 5 лет [2].

Тяжесть последствий для жизни и здоровья новорожденного варьирует в зависимости от срока гестации. Роды на 22–28‑й неделе сопряжены с 98 % летальностью, а у сохранивших жизнь младенцев нередко развивается патология, сопровождающаяся глубокой инвалидизацией. Однако, даже при родах в более поздние сроки (34–37 недель) сохраняется повышенный риск бронхолегочной дисплазии, нарушений развития нервной системы и длительных хронических заболеваний [3][4]. Социально-экономические издержки включают не только прямые затраты на интенсивную терапию и реабилитацию, но и отдаленные медицинские последствия, существенно влияющие на качество жизни. Помимо прочего, ПР прямо коррелируют с хроническими заболеваниями, такими как сердечно-сосудистые заболевания, сахарный диабет и патология почек [3][5][6].

До 70 % ПР развиваются спонтанно, пусковые механизмы во многих случаях остаются неясными, несмотря на изученные предикторы, включая инфекционный фактор [5], истмико-цервикальную недостаточность и социально-демографические детерминанты [6–8]. Кроме того, определена роль маркеров развития преждевременного разрыва плодных оболочек (ПРПО) и ПР, например, плацентарного альфа‑микроглобулина-1 (ПАМГ-1) [9][10].

Современные подходы к ведению угрожающих ПР включают 2 ключевых элемента: временный токолиз (48 часов) для обеспечения маршрутизации пациентки и антенатальная профилактика респираторного дистресс-синдрома (РДС) глюкокортикостероидами. Тем не менее эффективность указанных мер для значимого пролонгирования беременности остается спорной [11]. Эффективность профилактики ПР также остается дискуссионной [12], в то же время ряд исследований подчеркивают целесообразность применения микронизированного прогестерона [13], акушерского разгружающего пессария и серкляжа [1][14] у пациенток из группы риска по досрочным родам.

Преждевременные роды представляют собой следствие сложного взаимодействия множества факторов, уникального для каждой пациентки. Эта гетерогенность диктует необходимость перехода от универсальных подходов к персонализированным, основанным на интеграции широкого спектра клинических данных. В русле данной парадигмы современная медицина все чаще прибегает к использованию методов искусственного интеллекта (англ. Artificial Intelligence, AI), среди которых машинное обучение (англ. Machine Learning, МL) занимает ключевые позиции.

Машинное обучение открывает новые возможности для оценки риска ПР, преодолевая ограничения традиционной статистики. Его достоинство заключается в работе с большими данными, что позволяет выявлять скрытые предикторы. ML‑модели способны к раннему и комплексному прогнозированию, одновременно анализируя медицинский анамнез, клиническую картину и факторы образа жизни. Особо следует отметить их способность к интеграции совершенно разнородной информации – от структурированных показателей до медицинских изображений и текстовых записей. Эта комплексность в совокупности с возможностью постоянного самообучения и совершенствования делает МL надежным инструментом прогнозирования, точность и клиническая значимость которого со временем только возрастают.

В последние годы ML-алгоритмы показали высокую эффективность в прогнозировании таких акушерских осложнений, как задержка роста плода [15], послеродовое кровотечение [16], преэклампсия (ПЭ) [17]. Отдельного внимания заслуживают отечественные разработки в сфере акушерства и гинекологии с применением ML-технологий. В исследовании А.Е. Андрейченко с соавт. (2023) разработаны и валидированы модели прогнозирования ПЭ и ее ранних форм на основе данных, полученных в I триместре беременности [18].

Демонстрируют потенциал результаты зарубежных исследований по разработке мультипараметрических моделей для оценки риска ПР на основе алгоритмов ML. Например, в недавнем исследовании Y. Chen с соавт. (2024) алгоритм XGBoost (англ. Extreme Gradient Boosting; библиотека машинного обучения, реализующая алгоритм градиентного бустинга) показал высокую точность прогнозирования спонтанных ПР (AUC = 0,89; 95 % доверительный интервал (ДИ) = 0,88–0,90), выявив 10 ключевых предикторов ПР, включая биохимические маркеры [19]. Y. Zhang с соавт. (2023) подтвердили перспективность использования алгоритма AdaBoost (точность 95,4 %, AUC = 0,93), выявив в качестве основных факторов риска ПР многоплодие, ПРПО, предлежание плаценты и дородовое кровотечение [20]. Алгоритм RF (англ. Random Forest; случайный лес) в исследовании Q. Sun с соавт. (2022), показал AUC = 0,885 (95 % ДИ = 0,873–0,897), используя для прогнозирования ПР клинико-биохимические параметры и данные 9550 беременных [21].

Весьма вариабельное качество существующих прогностических моделей и ограниченность внедрения их в клиническую практику подчеркивают необходимость дальнейших поисков надежных практико-ориентированных инструментов оценки риска ПР.

Цель: разработка и валидация на независимой выборке инструмента оценки риска ПР, основанного на технологиях ML и реальных клинических данных, полученных из электронных медицинских карт (ЭМК) беременных.

Проведено ретроспективное когортное исследование с анализом 10000 обезличенных неструктурированных записей ЭМК о пренатальном наблюдении женщин. Персональные данные были предварительно анонимизированы до начала анализа, что исключило необходимость получения информированного согласия и обеспечило соответствие правовым и этическим нормам защиты персональных данных.

Для обработки текстовой информации и извлечения признаков, связанных с ПР, использовалась специально разработанная авторами модель обработки естественного языка (англ. Natural Language Processing, NLP). Модель позволила идентифицировать и структурировать 54 фактора риска, представленных количественными (лабораторные, инструментальные) и категориальными (включая бинарные типа «да»/«нет») переменными. Детали создания NLP‑модели представлены в соответствующем разделе.

В ретроспективный анализ исходно были включены 90046 обезличенных медицинских записей (по 10 атрибутов каждая) в формате JSON (англ. JavaScript Object Notation), сформированных из ЭМК пациенток за период с марта 2011 г. по июль 2020 г. JSON – это открытый стандартный файловый формат и формат обмена данными, который использует удобочитаемый текст для передачи объектов данных, состоящих из пар «атрибут-значение» и массивов (или других серий значений). Исходная документация включала карты планового дородового наблюдения, истории родов и завершенных случаев госпитализации, индивидуальные карты ведения беременности, а также записи о медицинских осмотрах и карты прерывания беременности.

Единицей анализа служила медицинская запись, отражающая документированный случай оказания медицинской помощи беременной с указанием срока гестации и актуальных клинико-лабораторных показателей на момент визита. Отбор данных осуществлялся по следующим принципам: 1) подтвержденный факт беременности согласно кодам МКБ-10; 2) сведения об исходе беременности (по соответствующим кодам МКБ-10 в ЭМК).

В результате отбора был сформирован датасет, включавший 10000 записей (n = 10000) ЭМК, разделенный в последующем на 2 равные части для обучения NLP‑модели и автоматической обработки NLP‑моделью с целью создания обучающей выборки для модели оценки риска ПР.

Валидационная выборка включала 500 уникальных случаев (m = 500) беременности с ПР, полученная на основе анкетирования медицинских карт пациенток ГБУЗ «Республиканский перинатальный центр имени Гуткина К.А.» (ГБУЗ РПЦ им. Гуткина К.А.) за 2016–2022 гг. Схематическое представление дизайна исследования приведено на рисунке 1.

В группу с целевым событием включались все медицинские записи пациенток, у которых в течение текущей беременности был диагностирован либо статус «угрожающие преждевременные роды», либо непосредственно «преждевременные роды» по соответствующим кодам МКБ-10 (O47.0, 47.9, O60). Критериями исключения стали остальные записи без соответствующих кодов МКБ-10, они формировали контрольную группу.

Перечень кодов МКБ-10, использованных для идентификации участников, определения исходов беременности и оценки основного исхода, представлен в таблице 1.

В анализ был включен широкий спектр признаков (54 параметра), доступных в ЭМК в рамках рутинного клинического наблюдения. Такой подход позволил оценить потенциальную информативность как общепризнанных клинических факторов риска, так и параметров, связь которых с ПР менее очевидна и требует дальнейшего изучения (например, социально-демографические характеристики).

Анамнестические факторы учитывали сопутствующую патологию, особенности репродуктивного анамнеза и факторы образа жизни, способные влиять на исход текущей беременности. В их число вошли: курение, употребление алкоголя и наркотических веществ, семейное и социально-трудовое положение, возраст менархе, нарушения фертильности, включая применение вспомогательных репродуктивных технологий (экстракорпоральное оплодотворение, ЭКО), паритет, отягощенный акушерский анамнез (неразвивающаяся беременность, самопроизвольные и искусственные аборты и ПР в анамнезе), привычное невынашивание беременности, подтвержденные наследственные тромбофилии, антенатальная гибель плода в анамнезе, гинекологические заболевания (доброкачественная и злокачественная патология шейки матки и ее лечение, в том числе конизация; миома матки, эндометриоз, объемные образования яичников, полипы эндометрия), а также перенесенные внутриматочные вмешательства (раздельное диагностическое выскабливание). Из соматической патологии анализировались наличие анемии, тромбоцитопении, сахарного диабета (СД), инфекций мочевыводящих путей (ИМВП) и генитального тракта.

Конституциональные параметры включали возраст матери на момент зачатия, рост и массу тела до беременности, индекс массы тела (ИМТ) до беременности, наличие дефицита или избытка массы тела, ожирение, а также прибавку массы тела при беременности.

Клинические предикторы, характеризующие текущую беременность, учитывали многоплодие, наличие истмико-цервикальной недостаточности (ИЦН), угрозы прерывания беременности или угрозы ПР, применение гестагенов (микронизированный прогестерон или дидрогестерон), коррекцию ИЦН с помощью акушерского пессария или наложения серкляжа, признаки гипоксии плода или задержки его роста, а также нарушения количества околоплодных вод (многоводие или маловодие). Для пациенток с ПР также учитывался гестационный срок на момент родоразрешения.

Инструментальным предиктором, включенным в исследование, являлась длина сомкнутой части шейки матки, измеренная с помощью трансвагинальной цервикометрии.

Лабораторные параметры включали уровни гемоглобина, тромбоцитов и лейкоцитов, а также концентрацию С-реактивного белка (СРБ) в качестве неспецифического маркера воспаления. Также анализировались показатели коагулограммы: протромбиновый индекс (ПТИ), активированное частичное тромбопластиновое время (АЧТВ) и уровень фибриногена.

Исходный набор данных, содержащий 10000 записей, был подвергнут предварительной обработке. На этом этапе были удалены нерелевантные поля, и для дальнейшего анализа отобраны только те записи, которые включали описания физикальных осмотров, результаты инструментальной и лабораторной диагностики.

Аннотирование различных типов данных выполнялось с применением специализированных методов и охватывало числовые значения, категориальные признаки и коды МКБ-10. Для работы с категориальными признаками были созданы пользовательские словари, учитывающие ключевые термины, их синонимы и аббревиатуры. Например, термин «курение» мог быть заменен на «употребление табака» или «никотиновая зависимость». Извлечение терминов из текста осуществлялось с помощью регулярных выражений, которые учитывали контекст отрицания, как в случаях «не курит» или «отрицает употребление табака».

Для решения проблемы дисбаланса классов в данных был применен метод SMOTE (англ. Synthetic Minority Oversampling Technique; метод синтетической передискретизации меньшинства класса для несбалансированных данных). Этот метод генерирует синтетические примеры для наименьшего класса, создавая новые случаи между существующими примерами и их ближайшими соседями.

Числовые значения аннотировались путем извлечения паттернов, включающих название параметра, численное значение и соответствующие единицы измерения, например: «гемоглобин» со значением «120 г/л». Коды МКБ-10 извлекались с использованием стандартных правил именования с учетом возможных вариаций в форматировании: например, диагноз «истмико-цервикальная недостаточность» может быть представлен как «O34.3» или «O343». В результате процесса аннотации было создано 5 отдельных наборов данных: 4 набора с категориальными признаками (объемом 4541, 4550, 869 и 1196 записей, с 10, 9, 10 и 12 признаками соответственно; k = 4541, k = 4550, k = 869, k = 1196) и один набор с числовыми признаками, содержащий 5000 записей (k = 5000).

Основой модели обработки естественного языка (NLP) стала предобученная языковая модель RuBERT (англ. Russian Bidirectional Encoder Representations from Transformers; предварительно обученная языковая модель для обработки русскоязычных текстов). Этот алгоритм был выбран благодаря своей специализированной оптимизации для работы с русскоязычными медицинскими текстами, включая надежное распознавание клинических контекстов и специальных аббревиатур, используемых в клинической практике.

Для сохранения целостности сложной медицинской терминологии выполнялась токенизация текста, подразумевающая под собой процесс разбиения на минимальные смысловые единицы (токены). Эти токены затем преобразовывались в 768‑мерные векторные представления. В последующем для каждого клинического документа применялось усреднение векторных представлений токенов (mean pooling) с целью создания единого вектора фиксированной длины.

Классификация категориальных признаков реализована с использованием ансамблевого подхода, при котором для каждого признака обучался отдельный бинарный классификатор на основе градиентного бустинга – CatBoost Classifier (англ. Categorical Boosting Classifier; категориальный бустинг-классификатор). Числовые предикторы обрабатывались с помощью гибридной методики, сочетающей:

Для обеспечения точности данных каждый извлеченный числовой параметр дополнительно проверялся на соответствие установленным физиологическим диапазонам и общему клиническому контексту. Коды заболеваний МКБ-10 извлекались методом точного строкового сопоставления со стандартной номенклатурой ввиду их строго регламентированного формата. Общая схема процесса обработки текста представлена на рисунке 2.

На заключительном этапе проекта NLP‑модель была использована для автоматического аннотирования 5000 неструктурированных ЭМК. Результатом работы стал структурированный набор данных, содержащий информацию о каждом пациенте, включая распределение по классам для категориальных признаков, точные числовые значения для количественных предикторов и соответствующие коды МКБ-10 для диагнозов. Полученный в результате аннотирования набор данных был использован для обучения ML‑модели, предназначенной для прогнозирования ПР.

Для повышения качества входных данных и улучшения производительности ML‑моделей был реализован комплекс мероприятий по предварительной обработке данных. Этот комплекс включал анализ корреляций, обработку выбросов, импутацию пропущенных значений, нормализацию данных и балансировку классов в обучающем наборе.

В ходе предварительного анализа данных была проведена оценка взаимосвязей между признаками. Анализ выявил слабую линейную зависимость между большинством признаков и целевой переменной, что подтвердило целесообразность использования нелинейных классифицирующих алгоритмов при последующем моделировании.

Пропущенные и аномальные значения обрабатывались следующим образом: для числовых параметров, таких как лабораторные показатели (уровень гемоглобина, количество тромбоцитов и лейкоцитов), пропущенные значения заполнялись медианой соответствующего признака; для бинарных признаков (например, наличие сопутствующих заболеваний) пропуски заполнялись нулевыми значениями, что отражает клинически обоснованное предположение об отсутствии патологии при отсутствии записи данных.

Выбросы идентифицировались с использованием метода межквартильного размаха (IQR). Значения, выходящие за диапазон [ Q1 – 1,5×IQR; Q3 + 1,5×IQR], считались аномальными. Для клинически значимых параметров это статистическое правило дополнялось применением физиологически обоснованных границ для исключения невозможных значений (например, отрицательных концентраций). Обнаруженные выбросы систематизировались путем замены их на соответствующее граничное значение допустимого диапазона.

Для обеспечения сопоставимости признаков и улучшения сходимости алгоритмов был выполнен этап нормализации данных. Все числовые параметры подвергались Z-нормализации, при которой каждый признак преобразовывался к нулевому среднему значению и единичному стандартному отклонению. Этот подход особенно важен для алгоритмов, чувствительных к масштабу входных данных, таких как логистическая регрессия и нейронные сети.

Существенной проблемой был дисбаланс классов, для решения которой был применен алгоритм SMOTE, описанный выше. После обработки распределение классов стало сбалансированным (достигнуто примерное соотношение 50/50).

Все этапы предобработки данных были реализованы с использованием современных библиотек Python: pandas и scipy.stats для обработки пропущенных значений и выбросов, sklearn.preprocessing для нормализации и imblearn для балансировки классов. Такой комплексный подход к предобработке данных позволяет существенно повысить качество входных данных и, как следствие, улучшил производительность последующего прогнозного моделирования.

Для сравнения групп по количественным и категориальным признакам использовались стандартные статистические методы с учетом характера распределения данных. Статистически значимыми считались различия при p < 0,05. В ходе разработки предиктивной модели проводилась комплексная оценка эффективности 14 алгоритмов МL, включая сравнение традиционных статистических методов (логистическая регрессия) с современными ML-алгоритмами (ансамблевые методы и нейронные сети). В исследование были включены следующие классификаторы: логистическая регрессия (англ. Logistic Regression, LR), метод опорных векторов (англ. Support Vector Machine, SVM), линейный классификатор опорных векторов (англ. Linear Support Vector Classifier, Linear SVC), стохастический градиентный спуск (англ. Stochastic Gradient Descent, SGD), персептрон (англ. Perceptron), наивный байесовский классификатор (англ. Naive Bayes, NB), алгоритм k ближайших соседей (k-Nearest Neighbors, k-NN), ансамблевые методы: случайный лес (англ. Random Forest), деревья решений (англ. Decision Trees), бэггинг (англ. Bagging Classifier), методы градиентного бустинга (XGBoost, LightGBM, CatBoost) и искусственная нейронная сеть (англ. Artificial Neural Network, ANN).

Все модели оценивались с использованием 5-кратной стратифицированной кросс-валидации на сбалансированных данных (StratifiedKFold). Для комплексной оценки применялись следующие параметры: AUC-ROC (способность дифференцировать классы), accuracy (точность классификации), recall (чувствительность), precision (точность положительного прогноза) и F1-score (сбалансированная мера) [22][23]. Доверительные интервалы (95 %) рассчитывались по t-распределению, что обеспечило статистическую надежность результатов. Порог классификации установлен на уровне 0,5 в соответствии с общепринятой практикой для бинарных медицинских моделей [24]. Ранжирование предикторов выполнено с использованием встроенных методов градиентного бустинга.

Финальная валидация проведена на независимой выборке – 500 клинических наблюдений из базы данных ГБУЗ РПЦ им. Гуткина К.А. с анализом рабочих характеристик, матрицы ошибок и ключевых метрик. Критериями выбора оптимальной модели стали: максимальное значение AUC-ROC, устойчивость метрик при кросс-валидации и клиническая интерпретируемость при стандартном пороге 0,5. Схема отбора итоговой модели отражена на рисунке 3.

На этапе формирования выборки выделено 2 класса наблюдений: класс 1 с целевым событием (ПР) – 317 случаев (6,3 % от общего объема выборки) и класс 0 без целевого события – 4683 наблюдения (93,7 %). Такое распределение отражает характерный для данной клинической ситуации дисбаланс классов, соответствующий реальной эпидемиологической картине распространенности ПР, при этом обеспечивая достаточное количество положительных случаев для проведения статистического анализа.

Частотный анализ категориальных признаков выявил значительную вариабельность – от 0,1 до 37,1 %. Наиболее распространенными предикторами (встречаемость > 15 %) оказались анемии и тромбоцитопении, эндокринные заболевания, ИЦН и коррекция акушерским пессарием, привычное невынашивание, ЭКО и инфекции мочевыводящих путей. К среднечастотным признакам (5–15 %) относились такие признаки, как плацентарная недостаточность, инфекции половых путей, самопроизвольный выкидыш в анамнезе, прием гестагенов, многоплодная беременность. Состояния с низкой частотой встречаемости (1–5 %) включали в себя 17 переменных, включая мертворождение (4,8 %), угрожающий выкидыш (4,7 %) и первые роды (4,4 %). К редким состояниям (< 1 %) были отнесены табакокурение, дефицит массы тела и чрезмерная прибавка массы тела. Подробное представление частотных характеристик анализируемых категориальных признаков, позволяющих оценить репрезентативность выборки, представлено в таблице 2.

Анализ количественных показателей выявил следующие ключевые характеристики: средний срок беременности на момент анализа составил 21 неделю. Наибольшую полноту данных продемонстрировали возраст (24 % записей), паритет (11,2 %) и срок беременности (28,8 %). Среди лабораторных и инструментальных параметров лидировали показатели УЗ-цервикометрии (16,7 %), уровень гемоглобина (5,4 %) и количество тромбоцитов (4,7 %). Подробная характеристика количественных признаков представлена в таблице 3.

Анализ показал, что в группе с ПР по сравнению с контрольной группой (без целевого события) достоверно чаще (p < 0,05) встречались такие факторы, как плацентарная недостаточность (встречалась в 2,5 раза чаще при ПР – 26,5 % против 10,8 %), применение ЭКО (25,9 % против 18,6 %) и ИЦН (25,6 % против 20,5 %). Другие значимые факторы включали: многоводие (3,2 % при ПР против 0,9 %), доброкачественные заболевания шейки матки (2,5 % против 0,7 %), первородящие (8,2 % против 4,1 %). Перечень факторов, внесших наибольший вклад в развитие ПР, представлен в таблице 4.

Соотношение классов валидационной выборки (m = 500 случаев из ГБУЗ РПЦ им. Гуткина К.А.) соответствовало структуре обучающей выборки и обеспечивало репрезентативность клинических и демографических параметров (6,3 % случаев ПР против 93,7 % нормальных родов). Выборка для валидации модели показала более полный охват ключевых параметров, таких как возраст (100 %), ИМТ (98 %) и срок беременности (91,2 %) против 24, 15,5 и 28,8 % в обучающей выборке, а также повышенную частоту критически важных предикторов, таких как плацентарная недостаточность (24,2 % против 11,8 %) и многоводие (12,0 % против 1,04 %). Такая структура данных позволила провести более строгую оценку модели в условиях, максимально приближенных к реальной клинической практике, что особенно важно для подтверждения ее прогностической ценности.

Для создания предиктивной модели были протестированы 14 алгоритмов машинного обучения (подробно представлены в разделе «Статистические методы»). Модель анализировала 54 клинико-анамнестических параметра, автоматически извлеченных из ЭМК с помощью разработанной NLP-системы. Полный список учитываемых потенциальных предикторов ПР приведен в приложении к исследованию.

Исходные сбалансированные данные были разделены на обучающую (80 %) и тестовую (20 %) выборки. Для каждого типа модели проводился подбор оптимальных параметров. Моделирование проводилось с учетом особенностей медицинских данных, включая дисбаланс классов и клиническую значимость предикторов. Для компенсации исходного дисбаланса классов была применена технология SMOTE, обеспечившая сбалансированное соотношение классов. Однако, чтобы избежать переобучения на синтетических данных, был использован комплексный подход валидации, включающий: 1) пятикратную стратифицированную кросс-валидацию, 2) тестирование на выборке с естественным распределением классов, 3) оценку по метрикам, устойчивым к дисбалансу (F1-score и AUC-ROC). Такой многоуровневый подход позволил создать модель, сохраняющую высокую прогностическую способность как на сбалансированных, так и на исходных несбалансированных данных, что особенно важно для клинической практики, где частота ПР традиционно колеблется в диапазоне 4–6 %.

Оптимизация алгоритма включала комплексную оценку доли правильных классификаций (accuracy) с 5-кратной кросс-валидацией и расчетом 95 % ДИ. Наиболее эффективный алгоритм дополнительно тестировался на независимой выборке по стандартному протоколу валидации.

Разработанная NLP‑модель продемонстрировала следующие медианные показатели: F1‑мера = 0,976, полнота = 0,998 и AUC-ROC = 0,974. Полный перечень полученных метрик для категориальных и количественных предикторов отражен в таблице 5. Высокие показатели производительности NLP‑модели обеспечили создание качественного датасета для обучения предиктивной модели.

Показатели ключевой метрики эффективности (accuracy) для алгоритмов ML, решающих задачу прогнозирования ПР, представлены в таблице 6. Наибольшую эффективность продемонстрировал ансамблевый алгоритм CatBoost Classifier, основанный на методе градиентного бустинга. Его показатели на внутренней валидации составили: точность = 0,8064 (95 % ДИ = 0,784–0,816), чувствительность = 0,76 (95 % ДИ = 0,748–0,772), F1‑мера = 0,79 (95 % ДИ = 0,782–0,798) и AUC-ROC = 0,79 (95 % ДИ = 0,774–0,806).

При валидации на независимой выборке модель подтвердила высокую дискриминативную способность и устойчивость к новым данным, повысив AUC-ROC до 0,82 (95 % ДИ = 0,809–0,831), чувствительность – до 0,87 (95 % ДИ = 0,857–0,883), accuracy – до 0,81 (95 % ДИ = 0,799–0,821) и F1-score – до 0,81 (95 % ДИ = 0,805–0,815).

Итоговый перечень предикторов, используемых для разработки модели машинного обучения для оценки риска ПР, приведен в приложении 1.

Разработанная система оценки риска ПР демонстрирует высокую точность и способна автоматически анализировать факторы риска ПР из ЭМК, выявляя взаимосвязи между клиническими, анамнестическими и социально-демографическими данными.

Преждевременные роды являются грозным акушерским осложнением с высоким риском для жизни и здоровья матери и ребенка. Несмотря на существующие меры профилактики, частота ПР остается стабильно высокой, что требует поиска новых подходов к прогнозированию. Сложный многокомпонентный патогенез ПР, объединяющий инфекционные, эндокринные и коагуляционные нарушения [25][26], обладает высокой степенью вариабельности, что ограничивает возможности применения стандартных профилактических подходов и снижает их клиническую результативность. В связи с чем особую актуальность приобретают методы искусственного интеллекта (ИИ), обеспечивающие анализ комплексных взаимосвязей между предикторами и индивидуальную оценку риска ПР. Их внедрение в клиническую практику может способствовать снижению частоты ПР и улучшению перинатальных исходов за счет повышения качества оценки риска.

В ходе исследования разработаны 2 взаимосвязанные ИИ‑модели: NLP‑модель для экстракции предикторов ПР из медицинских записей ЭМК и предиктивная модель, показавшая высокую точность при оценке риска ПР (AUC = 0,82; Recall = 0,87). Производительность системы сопоставима с результатами зарубежных авторов [19–21]. Однако в отличие от исследований, использующих узкий набор биомаркеров (например, щелочную фосфатазу, альфа-фетопротеин или плацентарные факторы роста), данная модель включает широкий спектр предикторов, доступных в клинической практике, что позволяет учитывать комплексное влияние социально-демографических, акушерских и соматических факторов на риск ПР. Важным преимуществом разработанной системы является ее способность анализировать большие массивы неструктурированных медицинских данных и выявлять сложные, нелинейные взаимосвязи между предикторами ПР, что недоступно при традиционной статистической обработке данных.

Вместе с тем разработанная система адаптирована к особенностям русскоязычной электронной медицинской документации, включая обработку неструктурированных текстовых данных с помощью NLP-алгоритмов, в то время как зарубежные аналоги работают с англоязычными стандартизированными наборами данных. Применение для анализа данных специальных NLP-алгоритмов обеспечило формирование качественного обучающего датасета. Внешняя валидация подтвердила высокую точность оценки риска и стабильность при работе с новыми данными, что предполагает возможность клинического применения разработанного инструмента [20]. Возможности дальнейшего усовершенствования системы оценки риска ПР включают расширение выборки за счет мультицентровых данных и включения дополнительных лабораторных и генетических маркеров ПР.

ИИ – перспективный инструмент для оценки риска ПР, обладающий рядом ключевых преимуществ. Основное достоинство метода заключается в возможности анализа уже собранных в рамках стандартного диспансерного наблюдения клинических данных из ЭМК без необходимости проведения дополнительных дорогостоящих исследований. Алгоритмы ML эффективно работают со стандартными клинико-анамнестическими показателями, результатами лабораторных и инструментальных исследований, выявляя сложные взаимосвязи между многочисленными факторами риска. Несмотря на то что разработка точных прогностических моделей требует тщательной обработки больших массивов качественных данных, применение методов ML открывает новые перспективы для развития предиктивной медицины в акушерской практике, позволяя своевременно выявлять пациенток с высоким риском развития осложнений.

Настоящее исследование имеет ряд ограничений, в основном связанных с его ретроспективным дизайном и природой исходных данных.

Ретроспективный дизайн и временной фактор

Отсутствие фиксации строго определенного срока беременности для измерения каждого предиктора не позволяет оценить временной интервал между оценкой признака и исходом, что является стандартом для проспективных прогностических исследований. Таким образом, модель следует рассматривать в первую очередь как инструмент для оценки риска ПР, а не для точного прогнозирования исхода во времени.

Характер используемых данных

Исследование было целенаправленно ограничено данными, рутинно используемыми в отечественной акушерской практике. В модель не включались специализированные лабораторные биомаркеры, что повышает ее потенциальную применимость в широкой клинической практике, но ограничивает прямое сравнение с зарубежными аналогами. Кроме того, для выявления сложных взаимосвязей был применен комплексный подход, включавший анализ широкого спектра параметров, в том числе социально-демографических, без предварительного строгого клинического отбора.

Неполное заполнение данных

Проблема пропущенных значений является общепризнанным вызовом при работе с ЭМК, которая ориентирована на клинические, а не исследовательские нужды. Для минимизации этого влияния был применен комплексный подход к предобработке данных, включая импутацию пропущенных значений. Перспективным направлением для повышения качества данных является разработка и внедрение стандартизированных шаблонов документации.

Разработанная модель продемонстрировала высокую способность оценивать риск ПР на основе ретроспективных данных, полученных из ЭМК. Успешный результат был достигнут благодаря созданию специализированной NLP‑модели для обработки русскоязычных медицинских текстов и создания качественного обучающего датасета. Устойчивость модели на основе алгоритма CatBoost Classifier подтверждена тестированием, что открывает перспективы ее применения в клинической практике. Данное исследование закладывает основы создания комплексного решения на основе технологий ИИ для анализа реальных клинических данных, с перспективой улучшения качества инструмента путем расширения спектра предикторов ПР, валидации на данных из других регионов и тщательной оптимизации предобработки данных в будущих исследованиях.