Поиск предикторов задержки роста плода: от сантиметровой ленты до искусcтвенного интеллекта

DOI

https://dx.doi.org/10.18565/aig.2022.185

Гуменюк Е.Г., Ившин А.А., Болдина Ю.С.
ФГБОУ ВО «Петрозаводский государственный университет», медицинский институт, кафедра акушерства и гинекологии, дерматовенерологии, Петрозаводск, Россия

Задержка роста плода (ЗРП) является распространенной акушерской патологией, частота которой в различных популяциях может достигать 5–15%. Это осложнение беременности ассоциируется с высоким уровнем перинатальной заболеваемости и смертности, приводит к серьезным осложнениям для плода, новорожденного и ребенка.
В обзоре литературы представлена история поиска предикторов ЗРП «от сантиметровой ленты до искусственного интеллекта». Обсуждается значение наружной фетометрии, включая клинические рекомендации и кокрейновские обзоры. Приводятся данные о значении ультразвуковой фетометрии. Освещается ограниченная роль некоторых биомаркеров в программе скрининга I триместра для прогнозирования и диагностики ЗРП. Проведен анализ значительного количества факторов риска и их неоднородности, которые затрудняют применение общепринятых методов статистики. Отмечается повышение интереса к использованию машинного обучения и искусственного интеллекта, в том числе, в акушерстве и перинатологии. Особое внимание уделяется анализу и обсуждению предложенных моделей и алгоритмов в предикции ЗРП за последние годы.
Заключение: Наступившая эпоха машинного обучения и искусственного интеллекта позволяет осуществлять предикцию и своевременную диагностику ЗРП. Раннее прогнозирование будет способствовать персонифицированному клиническому мониторингу и ведению, что позволит улучшить здоровье плода и новорожденного.

задержка роста плода

наружное акушерское обследование

ультразвуковая фетометрия

биомаркеры

факторы риска

прогнозирование

машинное обучение

искусственный интеллект

предикция

перинатальное здоровье

Полный текст статьи
доступен в "Библиотеке Врача"

Министерство здравоохранения Российской Федерации. Клинические рекомендации «Недостаточный рост плода, требующий предоставления медицинской помощи матери (задержка роста плода)». М.; 2022. 76 c. Доступно по: https://www.garant.ru/news/1537162/
Society for Maternal-Fetal Medicine Consult Series #52: Diagnosis and management of fetal growth restriction: (Replaces Clinical Guideline Number 3, April 2012). Am. J. Obstet. Gynecol. 2020; 223(4): B2-B17.https://dx.doi.org/10.1016/j.ajog.2020.05.010.
Romero R. Prenatal medicine: the child is the father of the man. J. Matern. Fetal Neonatal Med. 2009; 22(8): 636-9. https://dx.doi.org/10.1080/14767050902784171.
Di Renzo G.C. The great obstetrical syndromes. J. Matern. Fetal Neonatal Med. 2009; 22(8): 633-5. https://dx.doi.org/10.1080/14767050902866804.
Saleem T., Sajjad N., Fatima S., Habib N., Ali S.R., Qadir M. Intrauterine growth retardation - small events, big consequences. Ital. J. Pediatr. 2011; 37: 41. https://dx.doi.org/10.1186/1824-7288-37-41.
Teng L.Y., Mattar C.N.Z., Biswas A., Hoo W.L., Saw S.N. Interpreting the role of nuchal fold for fetal growth restriction prediction using machine learning. Sci. Rep. 2022; 12(1): 3907. https://dx.doi.org/10.1038/s41598-022-07883-0.
Подзолкова Н.М., Денисова Ю.В., Скворцова М.Ю., Денисова Т.В., Шовгенова Д.С. Синдром задержки роста плода: нерешенные вопросы стратификации рисков, ранней диагностики и акушерской тактики. Вопросы гинекологии, акушерства и перинатологии. 2021; 20(5): 76-86.
McCowan L., Horgan R.P. Risk factors for small for gestational age infants. Best Pract. Res. Clin. Obstet. Gynaecol. 2009; 23(6): 779-93. https://dx.doi.org/10.1016/j.bpobgyn.2009.06.003.
Suhag A., Berghella V. Intrauterine growth restriction (IUGR): etiology and diagnosis. Curr. Obstet. Gynecol. Rep. 2013; 2: 102-11. https://dx.doi.org/10.1007/s13669-013-0041-z.
https://medicine.en-academic.com/31521/maneuver
Neilson J.P. Symphysis-fundal height measurement in pregnancy. Cochrane Database Syst. Rev. 1998; 1998(1): CD000944. https://dx.doi.org/10.1002/14651858.CD000944.
Japaraj R.P., Ho J.J., Valliapan J., Sivasangari S. Symphysial fundal height (SFH) measment in pregnancy for detecting abnormal fetal growth. Cochrane Database Syst. Rev. 2015; 2015(9): CD008136. https://dx.doi.org/10.1002/14651858.CD008136.pub3.
Министерство здравоохранения Российской Федерации. Клинические рекомендации «Нормальная беременность». М.; 2019. 88c.
https://www.consultant.ru/document/cons_doc_LAW_343139/
Marchand C., Köppe J., Köster H.A., Oelmeier K., Schmitz R., Steinhard J. et al. Fetal growth restriction: comparison of biometric parameters. J. Pers. Med. 2022; 12(7): 1125. https://dx.doi.org/10.3390/jpm12071125.
Hadlock F.P., Harrist R.B., Carpenter R.J., Deter R.L., Park S.K. Sonographic estimation of fetal weight. The value of femur length in addition to head and abdomen measurements. Radiology. 1984; 150(2): 535-40.https://dx.doi.org/10.1148/radiology.150.2.6691115.
Shepard M.J., Richards V.A., Berkowitz R.L., Warsof S.L., Hobbins J.C. An evaluation of two equations for predicting fetal weight by ultrasound. Am. J. Obstet. Gynecol. 1982; 142(1): 47-54. https://dx.doi.org/10.1016/s0002-9378(16)32283-9.
Sereke S.G., Omara R.O., Bongomin F., Sarah Nakubulwa S., Kisembo H.N. Prospective verification of sonographic fetal weight estimators among term parturients in Uganda. BMC Pregnancy Childbirth. 2021; 21(1): 175.https://dx.doi.org/10.1186/s12884-021-03645-4.
Melamed N., Baschat A., Yinon Y., Athanasiadis A., Mecacci F., Figueras F. et al. FIGO (international Federation of Gynecology and Obstetrics) initiative on fetal growth: best practice advice for screening, diagnosis, and management of fetal growth restriction. Int. J. Gynaecol. Obstet. 2021; 152(Suppl. 1): 3-57. https://dx.doi.org/10.1002/ijgo.13522.
Stepan H., Hund M., Andraczek T. Combining biomarkers to predict pregnancy complications and redefine preeclampsia: the angiogenic-placental syndrome. Hypertension. 2020; 75(4): 918-26. https://dx.doi.org/10.1161/HYPERTENSIONAHA.119.13763.
Papastefanou I., Wright D., Lolos M., Anampousi K., Mamalis M.,Nicolaides K.H. Competing-risks model for prediction of small-for-gestational-age neonate from maternal characteristics, serum pregnancy-associated plasma protein-A and placental growth factor at 11-13 weeks' gestation. Ultrasound Obstet. Gynecol. 2021; 57(3): 392-400. https://dx.doi.org/10.1002/uog.23118.
Ormesher L., Warrander L., Liu Y., Thomas S., Simcox L., Smith G.C.S. et al. Risk stratification for early-onset fetal growth restriction in women with abnormal serum biomarkers: a retrospective cohort study. Sci. Rep. 2020; 10(1): 22259. https://dx.doi.org/10.1038/s41598-020-78631-5.
Hendrix M., Bons J., van Haren A., van Kuijk S., van Doorn W., Kimenai D.M. et al. Role of sFlt-1 and PlGF in the screening of small-for-gestational age neonates during pregnancy: a systematic review. Ann. Clin. Biochem. 2020; 57(1): 44-58. https://dx.doi.org/10.1177/0004563219882042.
Shinar S., Tigert M., Agrawal S., Parks W.A., Kingdom J.C. Placental growth factor as a diagnostic tool for placental mediated fetal growth restriction. Pregnancy Hypertens. 2021; 25: 123-8. https://dx.doi.org/10.1016/j.preghy.2021.05.023.
Министерство здравоохранения Российской Федерации. Клинические рекомендации «Преэклампсия. Эклампсия. Отеки, протеинурия и гипертензивные расстройства во время беременности, в родах и послеродовом периоде». М.; 2021. 79c. https://www.consultant.ru/document/cons_doc_LAW_388618/
Клычева О.И., Хурасева А.Б. Возможности прогнозирования степени риска развития синдрома задержки роста плода. Российский вестник акушерства и гинекологии. 2020; 20(5): 68-73. https://dx.doi.org/10.17116/rosakush20202005168.
Яворская С.Д., Долгова Н.Г., Фадеева Н.И., Ананьина Л.П. Материнские клинико-анамнестические факторы формирования задержки роста плода. Вопросы гинекологии, акушерства и перинатологии. 2019; 18(5): 83-7. https://dx.doi.org/10.20953/1726-1678-2019-5-83-87.
Bachmann L.M., Khan K.S., Ogah J., Owen P. Multivariable analysis of tests for the diagnosis of intrauterine growth restriction. Ultrasound Obstet. Gynecol. 2003; 21(4): 370-4. https://dx.doi.org/10.1002/uog.77.
Kuhle S., Maguire B., Zhang H., Hamilton D., Allen A.C., Joseph K.S., Allen V.M. Comparison of logistic regression with machine learning methods for the prediction of fetal growth abnormalities: a retrospective cohort study. BMC Pregnancy Childbirth. 2018; 18(1): 333. https://dx.doi.org/10.1186/s12884-018-1971-2.
Rashidi H.H., Tran N.K., Betts E.V., Howell L.P., Green R. Artificial Intelligence and machine learning in pathology: the present landscape of supervised methods. Acad. Pathol. 2019; 6: 2374289519873088.https://dx.doi.org/10.1177/2374289519873088.
Iftikhar P., Kuijpers M.V., Khayyat A., Iftikhar A., DeGouvia De Sa M. Artificial intelligence: a new paradigm in obstetrics and gynecology research and clinical practice. Cureus. 2020; 12(2): 7124. https://dx.doi.org/10.7759/cureus.7124.
Ramakrishnan R., Rao S., He J.R. Perinatal health predictors using artificial intelligence: a review. Womens Health (London). 2021; 17: 1-7.https://dx.doi.org/10.1177/17455065211046132.
Bertini A., Salas R., Chabert S., Sobrevia L., Pardo F. Using machine learning to predict complications in pregnancy: a systematic review. Front. Bioeng. Biotechnol. 2022; 9: 780389. https://dx.doi.org/10.3389/fbioe.2021.780389.
Shazly S.A., Trabuco E.C., Ngufor C.G., Famuyide A.O. Introduction to machine learning in obstetrics and gynecology. Obstet. Gynecol. 2022; 139(4): 669-79. https://dx.doi.org/10.1097/AOG.0000000000004706.
Ahn K.H., Lee K.S. Artificial intelligence in obstetrics. Obstet. Gynecol. Sci. 2022; 65(2): 113-24. https://dx.doi.org/10.5468/ogs.21234.
Naimi A.I., Platt R.W., Larkin J.C. Machine learning for fetal growth prediction. Epidemiology. 2018; 29(2): 290-8. https://dx.doi.org/10.1097/EDE.0000000000000788.
Signorini M.G., Pini N., Malovini A., Bellazzi R., Magenes G. Integrating machine learning techniques and physiology based heart rate features for antepartum fetal monitoring. Comput. Methods Programs Biomed. 2020; 185: 105015.https://dx.doi.org/10.1016/j.cmpb.2019.105015.
Fung R., Villar J., Dashti A., Ismail L.C., Staines-Uria E., Ohuma E.O. et al. Achieving accurate estimates of fetal gestational age and personalised predictions of fetal growth based on data from an international prospective cohort study: a population-based machine learning study. Lancet Digit. Health. 2020; 2(7): e368-75. https://dx.doi.org/10.1016/S2589-7500(20)30131-X.
Pini N., Lucchini M., Esposito G., Tagliaferri S., Campanile M., Magenes G., Signorini M.G. A machine learning approach to monitor the emergence of late intrauterine growth restriction. Front. Artif. Intell. 2021; 4: 622616.https://dx.doi.org/10.3389/frai.2021.622616.
Crockart I.C., Brink L.T., du Plessis C., Odendaal H.J. Classification of intrauterine growth restriction at 34-38 week’s gestation with machine learning models. Inform. Med. Unlocked. 2021; 23: 100533. https://dx.doi.org/10.1016/j.imu.2021.100533.
Lee K.S., Kim H.Y., Lee S.J., Kwon S.O., Na S., Hwang H.S. et al. Prediction of newborn’s body mass index using nationwide multicenter ultrasound data: a machinelearning study. BMC Pregnancy Childbirth. 2021; 21(1): 172.https://dx.doi.org/10.1186/s12884-021-03660-5.
Tao J., Yuan Z., Sun L., Yu K., Zhang Z. Fetal birthweight prediction with measured data by a temporal machine learning method. BMC Med. Inform. Decis. Mak. 2021; 21(1): 26. https://dx.doi.org/10.1186/s12911-021-01388-y.
Saw S.N., Biswas A., Mattar C.N.Z., Lee H.K., Yap C.H. Machine learning improves early prediction of small-for-gestational-age births and reveals nuchal fold thickness as unexpected predictor. Prenat. Diagn. 2021; 41(4): 505-16. https://dx.doi.org/ 10.1002/pd.5903.
Burgos-Artizzu X.P., Coronado-Gutiérrez D., Valenzuela-Alcaraz B., Vellvé K., Eixarch E., Crispi F. et al. Analysis of maturation features in fetal brain ultrasound via artificial intelligence for the estimation of gestational age. Am. J. Obstet. Gynecol. MFM. 2021; 3(6): 100462. https://dx.doi.org/10.1016/j.ajogmf.2021.100462.
Bahado-Singh R.O., Yilmaz A., Bisgin H., Turkoglu O., Kumar P., Sherman E. et al. Artificial intelligence and the analysis of multi-platform metabolomics data for the detection of intrauterine growth restriction. PLoS One. 2019; 14(4): e0214121. https://dx.doi.org/10.1371/journal.pone.0214121.
Ившин А.А., Гусев А.В., Новицкий Р.Э. Искусственный интеллект: предиктивная аналитика перинатального риска. Вопросы гинекологии, акушерства и перинатологии. 2020; 19(6): 133-44. https://dx.doi.org/10.20953/1726-1678-2020-6-133-144.
Сухих Г.Т., Давыдов Д.Г., Логинов В.В., Баев О.Р., Приходько А.М., Шешко Е.Л., Чмыхова Е.В. Состояние и перспективы внедрения технологий искусственного интеллекта в акушерско-гинекологическую практику. Акушерство и гинекология. 2021; 2: 5-12. https://dx.doi.org/10.18565/aig.2021.2.5-12.

Поступила 08.08.2022

Принята в печать 11.10.2022

Гуменюк Елена Георгиевна, д.м.н., профессор, профессор кафедры акушерства и гинекологии, дерматовенерологии медицинского института, Петрозаводский государственный университет, председатель Карельской ассоциации акушеров-гинекологов, +7(921)224-53-20, https://orcid.org/0000-0003-1195-9682,
185035, Россия, Республика Карелия, Петрозаводск, ул. Красноармейская, д. 31.
Ившин Александр Анатольевич, к.м.н., доцент, заведующий кафедрой акушерства и гинекологии, дерматовенерологии медицинского института, Петрозаводский государственный университет, +7(909)567-12-51, https://orcid.org/0000-0001-7834-096X, 185035, Россия, Республика Карелия, Петрозаводск, ул. Красноармейская, д. 31.
Болдина Юлия Сергеевна, ассистент кафедры акушерства и гинекологии, дерматовенерологии медицинского института, аспирант, Петрозаводский государственный университет, +7(981)405-85-24, ulia.isakova94@gmail.com, https://orcid.org/0000-0002-1450-650X, 185035, Россия, Республика Карелия, Петрозаводск,
ул. Красноармейская, д. 31.
Автор, ответственный за переписку: Александр Анатольевич Ившин, scipeople@mail.ru

Вклад авторов: Гуменюк Е.Г. – дизайн, поиск, анализ и перевод литературы, написание и редактирование обзора литературы; Ившин А.А. – идея, участие в написании и редактировании научного обзора; Болдина Ю.С. – участие в написании и редактировании научного обзора.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов.
Финансирование: Исследование выполнено при финансовой поддержке Министерства науки и высшего образования Российской Федерации в рамках Соглашения № 075-15-2021-665; исследование выполнено на уникальной научной установке (УНУ) «Многокомпонентный программно-аппаратный комплекс для автоматизированного сбора, хранения, разметки научно-исследовательских и клинических биомедицинских данных, их унификации и анализа на базе ЦОД с использованием технологий искусственного интеллекта» (рег. номер: 2075518).
Для цитирования: Гуменюк Е.Г., Ившин А.А., Болдина Ю.С.
Поиск предикторов задержки роста плода:
от сантиметровой ленты до искусcтвенного интеллекта.
Акушерство и гинекология. 2022; 18-24
https://dx.doi.org/10.18565/aig.2022.185

Поиск предикторов задержки роста плода: от сантиметровой ленты до искусcтвенного интеллекта

Гуменюк Е.Г., Ившин А.А., Болдина Ю.С.

Ключевые слова

Список литературы

Об авторах / Для корреспонденции

Также по теме