Прогнозирование задержки роста плода с применением алгоритмов машинного обучения

Цель: Выявление значимых клинико-анамнестических предикторов задержки роста плода и разработка эффективных прогностических моделей с применением алгоритмов машинного обучения.
Материалы и методы: В ретроспективное исследование были включены 620 беременных, наблюдавшихся и родоразрешенных в ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии им. акад. В.И. Кулакова» Минздрава России. Основная группа состояла из 300 пациенток с задержкой роста плода, группа сравнения – 320 пациенток с физио­логическим течением беременности. Был проведен анализ клинико-анамнестических данных для создания моделей прогнозирования задержки роста плода с помощью методов машинного обучения: метода логистической регрессии и метода случайного леса.
Результаты: Модель логистической регрессии включает следующие предикторы: возраст старше 40 лет, рост менее 1,60 м, хроническая артериальная гипертензия, курение, задержка роста плода в анамнезе, угрожающий выкидыш в I триместре беременности с формированием ретрохориальной гематомы и кровотечением. Она позволяет прогнозировать развитие задержки роста плода с чувствительностью 73% и специфичностью 80% (AUC 0,81). Альтернативная модель, построенная с использованием метода случайного леса, продемонстрировала увеличение чувствительности до 78% и снижение специфичности до 74% (AUC 0,79). В рамках метода случайного леса было установлено, что наибольший вклад в точность прогноза вносят: возраст старше 40 лет, рост менее 1,60 м, наличие хронической артериальной гипертензии, операции, приводящие к образованию рубца на матке, в анамнезе, задержка роста плода в анамнезе, угрожающий выкидыш в I триместре беременности с формированием ретрохориальной гематомы без кровотечения.
Заключение: Обе модели демонстрируют высокую прогностическую ценность для скрининга задержки роста плода. Метод логистической регрессии обеспечивает интерпретируемость, а метод случайного леса – точность за счет учета нелинейных взаимосвязей. Внедрение моделей в клиническую практику позволит оптимизировать мониторинг беременных, входящих в группу риска.

Вклад авторов: Кан Н.Е., Леонова А.А., Тютюнник В.Л., Солдатова Е.Е., Рыжова К.О., Серебрякова А.П. – концепция и разработка дизайна исследования, получение данных для анализа, обзор публикаций, обработка и анализ материала по теме, статистический анализ полученных данных, написание текста рукописи, редактирование статьи.
Конфликт интересов: Авторы заявляют об отсутствии возможных конфликтов интересов.
Финансирование: Работа выполнена в рамках инициативной темы «Эпигенетические критерии диагностики задержки роста плода с позиции дисфункции нейрогенеза» НИР №19-И23 (от 08.12.2022 г.) (регистрационный номер в системе ЕГИСУ НИОКТР (государственного учета) – 123060500032-8).
Одобрение этического комитета: Исследование было одобрено этическим комитетом ФГБУ «НМИЦ АГП им. акад. В.И. Кулакова» Минздрава России.
Согласие пациентов на публикацию: Все пациентки подписали добровольное информированное согласие на публикацию своих данных.
Обмен исследовательскими данными: Данные, подтверждающие выводы этого исследования, доступны по запросу у автора, ответственного за переписку, после одобрения ведущим исследователем.
Для цитирования: Кан Н.Е., Леонова А.А., Тютюнник В.Л., Солдатова Е.Е., Рыжова К.О., Серебрякова А.П. Прогнозирование задержки роста плода с применением алгоритмов машинного обучения.
Акушерство и гинекология. 2025; 7: 40-46
https://dx.doi.org/10.18565/aig.2025.135

Задержка роста плода остается одной из наиболее значимых проблем современного акушерства и связана с высоким риском перинатальных осложнений [1–6], а также отдаленных неблагоприятных последствий [2, 7–10]. Несмотря на достижения в области пренатальной диагностики, существующие методы скрининга обладают ограниченной эффективностью, что обусловлено сложным многофакторным патогенезом данного осложнения беременности [11–14]. Следовательно, разработка точных прогностических инструментов приобретает особую актуальность. Современные технологии машинного обучения открывают новые возможности для решения этой задачи, позволяя анализировать комплексные взаимосвязи между клиническими, анамнестическими и инструментальными параметрами [15–18].

Использование алгоритмов искусственного интеллекта в прогнозировании задержки роста плода представляет особый интерес благодаря их способности выявлять скрытые закономерности в больших массивах гетерогенных данных. В отличие от традиционных статистических подходов, методы машинного обучения, такие как случайный лес, способны учитывать нелинейные взаимодействия между предикторами и автоматически определять наиболее значимые комбинации факторов риска [19–21].

Метод случайного леса обладает существенными преимуществами в задачах прогнозирования благодаря своей устойчивости к переобучению, что достигается за счет двух ключевых механизмов: бэггинга (bootstrap aggregating) и случайного выбора признаков на каждом узле дерева [15, 20]. Бэггинг делает модель устойчивее, комбинируя предсказания множества отдельных деревьев, обученных на разных вариантах исходного набора данных [20]. Важным достоинством алгоритма является его способность автоматически оценивать значимость признаков, что позволяет выявлять ключевые прогностические факторы среди множества потенциальных переменных без необходимости применения дополнительных методов анализа. Кроме того, метод демонстрирует высокую стабильность при работе с неполными данными и различными типами переменных, включая категориальные и числовые признаки, что существенно упрощает этап предварительной обработки данных, по сравнению с другими алгоритмами машинного обучения. Указанные характеристики метода случайного леса обуславливают его широкое применение в прикладных исследованиях, где ключевыми требованиями являются интерпретируемость модели, устойчивость к изменениям входных данных и отсутствие необходимости в сложной предварительной обработке [19, 21].

Применение современных вычислительных технологий дает возможность создать инструмент, который сможет интегрироваться в рутинную клиническую практику, обеспечивая персонализированную оценку риска для каждой беременной. Это открывает перспективы для своевременного проведения профилактических мероприятий, оптимизации тактики ведения беременности и, как следствие, улучшения перинатальных исходов.

Цель исследования: выявление значимых клинико-анамнестических предикторов задержки роста плода и разработка эффективных прогностических моделей с применением алгоритмов машинного обучения.

Материалы и методы

В ходе исследования проведен ретроспективный анализ клинико-анамнестических параметров 620 беременных, находившихся под наблюдением в ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии им. акад. В.И. Кулакова» Минздрава России за период с 2017 по 2022 гг. Основную группу составили 300 пациенток с антенатально подтвержденным диагнозом задержки роста плода, установленным в соответствии с международными критериями Delphi [22] и действующими клиническими рекомендациями. Группу сравнения составили 320 женщин с физиологическим течением беременности. Все участницы исследования соответствовали следующим критериям включения: возраст от 18 до 45 лет, одноплодная беременность без хромосомных аномалий или врожденных пороков развития у плода, отсутствие тяжелой экстрагенитальной патологии и беременности, наступившей с применением вспомогательных репродуктивных технологий.

Для объективной верификации диагноза в постнатальном периоде всем новорожденным проводилась комплексная оценка антропометрических показателей с использовани...

Кан Н.Е., Леонова А.А., Тютюнник В.Л., Солдатова Е.Е., Рыжова К.О., Серебрякова А.П.