ISSN 0300-9092 (Print)
ISSN 2412-5679 (Online)

Прегестационное нейросетевое прогнозирование задержки роста плода или малого к гестационному возрасту плода с последующей интенсивной терапией новорожденного

Зиядинов А.А., Новикова В.А., Радзинский В.Е.

1) Перинатальный центр ГБУЗ Республики Крым «Республиканская клиническая больница имени Н.А. Семашко», Симферополь, Россия; 2) Ордена Трудового Красного Знамени Медицинский институт имени С.И. Георгиевского ФГАОУ ВО «Крымский федеральный университет имени В.И. Вернадского», Симферополь, Россия; 3) ФГАОУ ВО «Российский университет дружбы народов» Министерства науки и высшего образования Российской Федерации, Москва, Россия

Цель: Разработать прототип нейросетевого инструмента для прегестационной стратификации женщин высокого риска по родоразрешению плодом с задержкой роста (ЗРП) или малым к гестационному возрасту (МГВ) и необходимостью интенсивной терапии (ИТ) новорожденного и провести его апробацию.
Материалы и методы: Выполнено проспективное когортное исследование. Основная клиническая база: Перинатальный центр ГБУЗ Республики Крым «Республиканская клиническая больница им. Н.А. Семашко». Период исследования: 2018–2023 гг. В исследование включено 611 женщин с одноплодной беременностью с недостаточным ростом плода: с ЗРП (n=435) и МГВ (n=176). Прогнозирование выполняли с использованием персонального компьютера: программы Statistica 12.0, модуля Automated Neural Networks (Автоматизированные нейронные сети).
Результаты: Использование среды для автоматизированного анализа нейросетевых моделей позволило получить прототипы инструментов стратификации на прегестационном этапе женщин с риском развития недостаточного роста плода по его варианту (ЗРП или МГВ) (модель 1); необходимости ИТ новорожденного (модель 2), включая респираторную поддержку (модель 3). Данное нейросетевое прогнозирование эффективно (точность обучения, тестирования и валидации нейронных сетей до 100%) обеспечивают материнские клинико-анамнестические и социально-демографические параметры (место и постоянство жительства, образование, род работы, семейное положение; возрастные, включая отцовские), росто-весовые, особенности становления репродуктивной функции, репродуктивный опыт, масса плода в предыдущих родах, гестационный опыт, преэклампсия в предыдущую беременность, родоразрешение в анамнезе и его метод). 
Заключение. Полученные нейросетевые модели демонстрируют возможность разработки инструментов, предоставляющих прогнозную клиническую и управленческую аналитику, позволяющие клиницисту в ежедневной практике на основе оценки клинико-анамнестических данных женщин обосновать выбор оптимального ведения беременности, скрининга и диагностики нарушений, своевременной маршрутизации беременных в интересах плода в учреждения соответствующего уровня.

Вклад авторов: Зиядинов А.А. – разработка концепции и дизайна исследования, анализ данных, написание текста, редактирование, утверждение рукописи для публикации; Новикова В.А. – разработка концепции и дизайна исследования, статистическая обработка данных и интерпретация результатов; Радзинский В.Е. – разработка концепции и дизайна исследования, редактирование, утверждение рукописи для публикации.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов.
Финансирование: Исследование проведено без спонсорской поддержки.
Одобрение Этического комитета: Исследование было одобрено локальным Этическим комитетом Ордена Трудового Красного Знамени Медицинский институт имени С.И. Георгиевского ФГАОУ ВО «Крымский федеральный университет имени В.И. Вернадского».
Согласие пациентов на публикацию: Пациенты подписали информированное согласие на публикацию своих данных.
Обмен исследовательскими данными: Данные, подтверждающие выводы этого исследования, доступны по запросу автора, ответственного за переписку, после одобрения ведущим исследователем.
Для цитирования: Зиядинов А.А., Новикова В.А., Радзинский В.Е. Прегестационное нейросетевое прогнозирование задержки роста плода или малого к гестационному возрасту плода с
последующей интенсивной терапией новорожденного.
Акушерство и гинекология. 2024; 10: 60-73
https://dx.doi.org/10.18565/aig.2024.124

Ключевые слова

беременность
задержка роста плода
малый для гестационного срока
искусственный интеллект
нейросетевое прогнозирование
прогнозная клиническая аналитика

Одной из задач служб родовспоможения мира остается «оказание медицинской помощи матери при установленных или предполагаемых патологических состояниях плода» (код МКБ-10 O36). Особого внимания удостаивается недостаточный рост плода (НРП) (код МКБ – O36.5), имеющий два варианта: задержку роста плода (ЗРП) и малый для гестационного возраста плод (МГВ), отчасти схожие по факторам риска, но принципиально разные по патогенезу [1]. Негатив НРП не ограничивается внутриутробным периодом [2, 3]. НРП угрожает уязвимостью новорожденного («vulnerable newborns»), младенческой заболеваемостью, смертностью, создает угрозу здоровью в детстве, юности и на протяжении всей последующей жизни (может повлиять на становление неврологической и когнитивной функций, половое созревание и фертильность, функции щитовидной железы, почек, накопление минеральной плотности кости и пр., стать причиной приобретения долгосрочных кардиометаболических нарушений: метаболического синдрома во взрослой жизни, ожирения, гипертонии, диабета, ишемической болезни сердца) [3–5]. В данном аспекте необходимость профилактики НРП неоспорима, требует знаний о его этио­логии, как плодовой, плацентарной, генетической, так и «родительской» (материнской и отцовской) природы [1, 2]. Помимо скрининга все большую роль приобретает прогнозирование НРП с учетом его варианта – ЗРП или МГВ. Особую настороженность вызывает ЗРП [1]. Информативными, но не всегда доступными предикторами ЗРП считаются трофобласт-ассоциированные маркеры (бета-хорионический гонадотропин человека (β-ХГЧ), белок плазмы, ассоциированный с беременностью (PAPP-A), плацентарный фактор роста (PlGF), плацентарный белок 13 (PP-13)) [6], данные профилирования ДНК, показатели допплерометрии (пульсовой индекс и индекс резистентности артерии пуповины, средней мозговой артерии, венозного протока), 3D (трехмерной) магнитно-резонансной томографии (особенности формы и текстуры плаценты) [6–8], индекс системного иммунного воспаления (нейтрофилы×тромбоциты/лимфоциты) [9] и др. Прикладную значимость в прогнозировании НРП придают оценке материнских клинических, социально-экономических [8] данных, не затратных и широко доступных, и адаптации прогностических моделей к повсеместному применению. По имеющимся сведениям, самостоятельными материнскими факторами риска ЗРП признаны более молодой возраст (ОШ=0,9, ДИ 0,8–0,9), недостаточная прибавка в весе во время беременности (ОШ=3,0, ДИ 1,6–6,1), аборты в анамнезе (ОШ=3,06, ДИ 1,1–8,0), гипертензия, вызванной беременностью, особенно у первобеременных (ОШ=10,1, ДИ 1,0–23,2) [10]; негроидное, восточноазиатское, южноазиатское и смешанное расовое происхождение; материнская коморбидность – хроническая артериальная гипертензия (ХАГ), сахарный диабет (СД) и системная красная волчанка и/или антифосфолипидный синдром; репродуктивные факторы – экстракорпоральное оплодотворение; курение; преэклампсия (ПЭ) или мертворождение в анамнезе, интервал между беременностями <0,5  года [8]. Согласно метаанализу 2023 г., существует связь между ЗРП и семью материнскими факторами, большинство из которых управляемы и потенциально предотвратимы: курением (ОШ=1,62, 95% ДИ 1,38–1,90), первыми родами (ОШ=1,64, 95% ДИ 1,20–2,24) и прегестационным индексом массы тела (ИМТ) <18,5 кг/м2 (ОШ=1,98, 95% ДИ 1,29–3,03), анемией (ОШ=2,01, 95% ДИ 1,44–2,82), гипопротеинемией (ОШ=2,91, 95% ДИ 1,94–4,36), вызванной беременностью гипертензией (ОШ=3,45, 95% ДИ 1,80–6,58) и недостаточной прибавкой веса у женщины во время беременности (ОШ=2,51, 95% ДИ 1,88–3,35) [11]. Общедоступность предикторов позволяет осуществлять прогнозирование ЗРП, например, в общенациональном масштабе [12], используя данные баз социального страхования: паритет, возраст матери, класс страхования, семейное положение, род деятельности (профессия). Применение машинного обучения и искусственного интеллекта (ИИ), включая нейронную сеть глубокого анализа [13–15], при прогнозировании НРП позволили увеличить его точность. Это очень важно в связи с тем, что своевременный прогноз ЗРП отчасти позволяет своевременно маршрутизировать плод с НРП in utero в учреждение родовспоможения соответствующего уровня, что определяет исход родов для новорожденного. В соответствии с систематическим обзором и метаанализом 2023 г. [7], ИИ и машинное обучение способны оптимизировать точный, экономически эффективный скрининг ЗРП и исходы беременности в целом, но внедрение в повседневную клиническую практику алгоритмов требуют оценки качества единых диагностических критериев. В перспективе прогнозирования ЗРП, как варианта НРП, применение социально-демографических, клиническо-анамнестических материнских характеристик открыли новые перспективы. Известно, что плохие условия жизни, низкий уровень грамотности и общий недостаток знаний, низкий социально-экономический уровень увеличивает риск ЗРП [16].

Но говоря о рисках НРП для плода/новорожденного нельзя не упомянуть следующее. Безусловно, тяжесть состояния плода/новорожденного с недостаточным ростом прежде всего определяют анте- и интранатальные нарушения [4]. ЗРП несет риск тяжелого состояния вплоть до гибели плода, способ­на вызвать такие осложнения, как синдром аспирации мекония, асфиксия, респираторный дистресс-синдром, гипогликемия, гипотермия, брон­холегочная дисплазия, тромбоз в интранатальном периоде. К сожалению, отсутствуют сведения о том, влияют ли прегестационные материнские факторы на исход родоразрешения женщин с ЗРП или МГВ для новорожденного (потребность интенсивной терапии, включая респираторную поддержку, что принципиально важно для выбора мер скрининга и профилактики вариантов НРП. Данный пробел в знаниях обосновал проведение настоящего исследования.

Цель исследования: разработать прототип нейросетевого инструмента для прегестационной стратификации женщин высокого риска по родоразрешению плодом с задержкой роста (ЗРП) или малым к гестационному возрасту (МГВ) и необходимостью интенсивной терапии новорожденного и провести его апробацию.

Материалы и методы

В период 2018–2023 гг. выполнено проспективное когортное исследование. Основной клинической базой явился перинатальный центр ГБУЗ Республики Крым «Республиканская клиническая больница им. Н.А. Семашко». В исследование включено 611 женщин с одноплодной беременностью и НРП: с ЗРП (n=435) и МГВ (n=176). Критерии ЗРП и МГВ соответствовали текущим отечественными клиническими рекомендациям [1].

Для построения модели прогнозирования ЗРП и МГВ использовали данные выборки беременных с НРП, сформированной из общей когорты пациенток (n=24282), родоразрешенных в данный период. Формирование выборки основывалось на следующих критериях включения: родильницы с одноплодной беременностью, осложненной НРП (ЗРП или МГВ); подтверждение диагноза НРП в постнатальном периоде; одна доминантная причина НРП; головное предлежание плода; живорождение. Критерии исключения из выборки: многоплодная беременность; расхождение между антенатальной и постнатальной диагностикой НРП; две и более конкурирующие по значимости причины НРП.

Валиидацию прогностических моделей осуществляли на выборке женщин с высоким риском НРП, получавшим прегравидарное консультирование с последующим наступлением беременности, осложненной НРП (n=50).

Статистический анализ

Обработка данных, построение и разработка прогностических моделей, оценка их производительности выполнялись с использованием пакета статистических программ Statistica 12.0 (модуля Automated Neural Networks – Автоматизированные нейронные сети) и Microsoft Excel 2007.

Полученные данные подвергли математической обработке с последующим выбором оптимального набора показателей, которые с большей вероятностью были бы характерны для ЗРП или МГВ.

Качественные переменные представляли в виде абсолютных и относительных значений (%), сравнение их между собой выполняли с помощью критерия хи-квадрат (χ2).

Связь изучаемого фактора с исходом/группой оценивали на основании отношения шансов (ОШ) с 95% доверительным интервалом (ДИ). При наличии двух факторных признаков связь с результативным признаком оценивали на основании анализа четырехпольных произвольных таблиц сопряженности с использованием критерия χ2; при трех и более факторных признаках – с использованием многопольных таблиц.

Моделирование категорий исходов основывали на нейросетевом анализе. Выполняли обучение, тестирование и валидацию автоматизированных нейронных сетей с оптимальным количеством признаков, классифицируя женщин на искомые группы. Выбирали нейронные сети с включением всех имеющихся параметров, последующим отбором наименьшего числом входных признаков с наиболее высоким качеством классификации. Важность (чувствительность) параметра оценивали на основании «Анализ чувствительности» программы Statistica 12.0. В связи с отсутствием автоматизированного отбора признаков пошагово выбирали признаки, имеющие коэффициент важности не менее 1 и/или максимально улучшающие качество классификации. Оценку производительности полученных моделей основывали на анализе матрицы ошибок классификации (confusion matrix) – по показателю доли верно классифицированных объектов на обучающей и тестовой выборках.

Информативность прогностических моделей основывали на оценке чувствительности (Se) и специфичности (Sp) по формулам: Se=истинно положительные результаты/(истинно положительные результаты+ложноотрицательные); Sp=истинно отрицательные результаты/(истинно отрицательные результаты+ложноположительные).

Результаты и обсуждение

Выполненный нами поиск информативных прегестационных материнских клинико-анамнестических и социально-демографических параметров позволил создать нейросетевые модели стратификации беременных на классы трех направлений:

1) вариант НРП: ЗРП или МГВ (модель №1);

2) потребность в интенсивной терапии (ИТ) новорожденного: есть/нет (модель № 2);

3) потребность в респираторной поддержке (РП) при ИТ новорожденного: есть/нет (модель № 3).

В процессе построения моделей были отобраны два типа (количественные и категориальные) независимых переменных (предикторов). Они в разном сочетании явились входными данными полученных нейронных сетей (табл. 1).

63-1.jpg (100 KB)

Из таблицы 1 видно, что числовые предикторы преимущественно отражали репродуктивный опыт. Категориальные переменные не обязательно были бинарными, некоторые имели более двух вариантов. Пять из восьми категориальных предикторов относились к социально-демографическим признакам (место жительства, постоянство места жительства, образование, род работы, семейное положение); репродуктивные (в анамнезе: родоразрешение и его метод, ПЭ) составляли меньшинство.

Вариант НРП (модель № 1) со 100% точностью обучения, тестирования и валидации пяти полученных нейронных сетей (табл. 2, блок А) предопределяли 20 параметров (табл. 3, блок А). Первостепенной чувствительностью обладало место жительства. Семейное положение и образование заняли третье и четвертое места и уступали по значимости только методу предыдущего родоразрешения. Менархе, число артифициальных абортов, неразвивающихся беременностей, ПЭ в предыдущую беременность и другие репродуктивные факторы имели еще более низкую важность. Заслуживает внимания включение в качестве входных данных (предиктора) возраста отца ребенка, чаще всего игнорируемого при оценке рисков НРП и его варианта. Отметим, что такие признаки, как временной интервал от последних родов, беременности, срок предыдущего родоразрешения, масса плода в предыдущих родах, число беременностей в анамнезе, самопроизвольных выкидышей, родов, возраст и ИМТ женщины, возраст мужа имели чувствительность менее единицы, но они были сохранены в прогностической модели. Удаление каждого их из нейросетевой модели значительно ухудшало ее точность.

64-1.jpg (166 KB)

65-1.jpg (163 KB)

Попытка связать вариант НРП с исходом беременности и родоразрешения для новорожденного, а именно, с потребностью ИТ, оказалась успешной (модель № 2). Для ЗРП оказалось более характерной потребность в ИТ (213/435 против 67/176, χ2=101,42, p<0,001) (рис. 1а) и исключительной для нее – РП (128/435 против 0/176, χ2=63,75, р<0,001) (рис. 1б).

66-1.jpg (111 KB)

Пять полученных нейронных сетей (табл. 2, блок В) показали высокую точность обучения (80,36%), чуть меньшую – тестирования (77,78%) и валидации (75%). Матрица оценок правильных ответов показала более высокую долю новорожденных, нуждающихся в ИТ (86,59%), в сравнении с не нуждающимися (74,42%). Связь ЗРП или МГВ с потребностью в ИТ новорожденного определяли 15 материнских предикторов, первые четыре места из которых занимали социально-демографические факторы – семейное положение, место жительства, образование, род работы (табл. 3, блок В), и только за ними следовали менархе и ИМТ. Репродуктивные факторы занимали седьмое и ниже места. Возраст мужа оказался более важным в модели, чем временной интервал от последних родов.

67-1.jpg (211 KB)

Намереваясь выявить прегестационные предикторы, при разработке нейросетевой модели мы намеренно не учитывали срок родоразрешения, условно игнорируя риски ятрогенной недоношенности. Однако понимание того, что потребность в ИТ новорожденного от женщин с ЗРП или МГВ определяет прежде всего гестационный срок, мы отклонились от основной цели и включили данный параметр в нейросетевую модель. К удивлению, это никак не изменило точность вновь полученных пяти нейросетевых моделей (табл. 2, блок С), и первостепенную важность (чувствительность) в прогнозировании потребности в ИТ новорожденного сохранили социально-демографические предикторы (входные параметры) – семейное положение, место жительства и образование (табл. 3, блок С). Срок беременности при родоразрешении оказался не первостепенным по важности, но занимал четвертое место, оставляя позади 12 параметров.

Нами была установлена нелинейная связь между материнскими прегестационными риск-факторами и необходимостью респираторной поддержки (РП) в рамках ИТ (модель №3). Получено три нейронные сети с точностью обучения, тестирования и валидации 100% (табл. 2, блок D), в которых первостепенную чувствительность вновь демонстрировали социально-демографические предикторы – образование, семейное положение и место жительства (табл. 3, блок D). Род работы тоже показал высокую чувствительность (19,47), уступая единственному репродуктивному фактору – числу артифициальных абортов (19,59). Высокую важность показал временной интервал от последних родов, в 10 раз превышая таковую для всех оставшихся параметров.

Закономерный коллатеральный интерес вызывала потенциальная связь характера терапии новорожденного не только с вариантом НРП, но и его причиной. Всего в исследуемой когорте насчитывалось 6 основных причин НРП, 5 из которых относились к кардиометаболическим осложнениям беременности – гипертензивным состояниям [хронической (ХАГ; n=48; 7,86%) и гестационной (ГАГ; n=53; 8,67%) артериальной гипертензии, ПЭ (умеренной (n=16; 2,62%) и тяжелой (n=138; 22,59%)] и гестационному СД (ГСД; n=78; 12,77%). Важно, что у 45,5% (n=278) женщин причина НРП не была ясна. Причина НРП оказалась взаимосвязанной с вариантом НРП – ЗРП или МГВ (χ2=185,84, p<0,001), необходимостью ИТ новорожденного (χ2=62,97, p<0,001) (рис. 2, а), включая РП (χ2=460,84, p<0,001) (рис. 2, б).

68-1.jpg (258 KB)

При создании нейросетевой модели прогнозирования особенностей терапии новорожденного с дополнительными входными параметрами – группа (ЗРП или МГВ) и причина НРП – получено три нейронные сети с точностью обучения, тестирования и валидации 100% (табл. 2, блок E). Оба введенных параметра имели высокую чувствительность (группа – 6,28, причина НРП – 5,78), но занимали по значимости третье и четвертое места (табл. 3, блок E). Первостепенную важность вновь показали два социально-демографических фактора – место жительства и семейное положение. Еще два социально-демографических фактора – образование (чувствительность=5,15) и род работы (чувствительность=1,93) следовали далее, имели более высокую важность, чем 11 оставшихся параметров.

Таким образом, прегестационные материнские социально-демографические и клинико-анамнестические характеристики явились информативными предикторами варианта НРП (ЗРП или МГВ) при последующей беременности, необходимости ИТ новорожденного, включая РП. Полученные нейросетевые алгоритмы позволили при подстановке произвольных или реальных данных стратифицировать женщин на искомые классы (рис. 3 а-в).

Рисунок 3а позволяет убедиться, что при практически идентичных социально-демографических характеристиках прогноз ЗРП, а не МГВ, определяет принадлежность к некоренным жителям, более высокий ИМТ и отягощенный репродуктивными потерями анамнез. Необходимость в ИТ новорожденного (рис. 3б) отчасти определяет «рабочая» трудовая деятельность, проживание в селе, среднее образование, незамужний статус. При осложнении беременности МГВ, а не ЗРП, и неизвестной причине НРП потребность в ИТ новорожденного сочетается с проживанием женщины в городе, ее замужним статусом, наличием репродуктивного опыта, более молодым возрастом обоих родителей новорожденного (рис. 3в). Потребность РП сопряжена с проживанием женщины в городе, средним профессиональным образованием, незамужним статусом, отсутствием трудоустройства, массой новорожденного менее 2850 г (рис. 3г).

Нами была оценена информативность предложенных моделей у женщин (n=50), получавших прегравидарное консультирование с последующим наступлением беременности, осложненной НРП. Валидация прогностических моделей на практике показала высокую эффективность (табл. 4), обосновывая их рекомендацию их для дальнейшего практического применения.

Обсуждение

НРП представляет проблему на стыке двух специальностей. Тяжелые последствия для плода и новорожденного, обусловленные прежде всего ЗРП, ложатся на плечи неонатологов. Но прогнозирование, скрининг и дифференциальная диагностика ЗРП или МГВ, выбор тактики ведения беременности, принятие ответственности за срок и метод родоразрешения – задача исключительно акушерско-гинекологическая. Заблаговременное прогнозирование НРП играет фундаментальную роль, так как дает время на выполнение профилактических мер, начинающихся с прегравидарного консультирования. Прогноз или ранняя дифференциальная диагностика ЗРП позволяют своевременно маршрутизировать беременную в стационар, обладающим ресурсом точной диагностики функционального состояния маточно-плодово-плацентарной системы, высокотехнологичной неонатологической службой при необходимости досрочного или экстренного родоразрешения, тяжелого состояния плода/новорожденного.

Современная медицина уже немыслима без использования ИИ, позволяющего адаптировать тактику ведения и лечения пациентов к высоковероятным риск-факторам [17–19]. Настоящее исследование продолжило череду имеющихся разработок в области акушерства, гинекологии, перинатологии и репродуктологии по совершенствованию методов оценки фертильности, необходимости вспомогательных репродуктивных технологий, риска развития гестационных осложнений (ПЭ, артериальной гипертензии, СД), невынашивания или недонашивания беременности, формирования пороков плода [20–23]. Значимость оценки потенциальных гестационных рисков до наступления беременности подтверждают исследования репродуктологов. Благодаря машинному обучению были пересмотрены риски привычного невынашивания беременности и разработаны модели его прогнозирования на прегестационном этапе с учетом различных этиологических факторов и их комбинаций [24]. Особое внимание уделяется таким факторам риска, как медицинский и семейный анамнез, возраст, стресс, образ жизни, курение, ожирение и др., отсутствие которых не исключает заболевания, но их совместное присутствие существенно увеличивает его риск.

Принципиально важно добавить, что сегодня выделяют пять основных типов аналитики (Analytics) – описательную (Descriptive), диагностическую (Diagnostic), прогнозную (Predictive), предписывающую (Prescriptive) и исследовательскую (Discovery) и три уровня производительности и вовлеченности (оперативную, тактическую и стратегическую), каждая из которых вносит свой особый вклад в улучшение здравоохранения [25]. Прогнозная аналитика на основании ретроспективных данных и построения прогнозных моделей позволяет предопределить наиболее вероятный исход искомого события (принадлежность к конкретной группе и пр.). Настоящее исследование подтвердило это. Оказалось, что совокупность материнских клинико-анамнестических и социально-демографических параметров (место и постоянство жительства, образование, род работы, семейное положение; возрастные, включая отцовские), росто-весовые показатели, особенности становления репродуктивной функции, репродуктивный и гестационный опыт, осложнение беременности ПЭ в анамнезе, родоразрешение и его метод, масса плода в предыдущих родах) предопределяют не только вариант НРП (рис. 4а), но и состояние новорожденного, потребность его в ИТ (рис. 4б), включая РП (рис. 4в).

71-1.jpg (127 KB)

Социально-экономические детерминанты задержки внутриутробного развития известны не один десяток лет, и основное внимание уделяется факторам воздействия с точки зрения общественного здравоохранения – с большой этиологической долей (атрибутивный риск для населения) [26]. Большие социально-экономические различия характерны для ЗРП.

Невероятно, но в эпоху прорывных технологий в мире сохраняются такие факторы риска ЗРП, как неспособность женщины читать и писать, ИМТ < 18,5 кг/м2, размер семьи ≥7 человек, и в качестве мер улучшения гестационных исходов рассматривают укрепление женского образования, улучшение питания до и во время беременности, а также регулярный уход за беременными [27]. К факторам риска ЗРП относят расу матери, более низкий социально-экономический статус и проживание в развивающейся стране, что, как правило, неразрывно связано с плохим питанием, анемией, дородовым уходом и злоупотреблением психоактивными веществами (ПАВ) [28]. Короткий интервал между беременностями связан с ЗРП. А так же признан независимым фактором риска ЗРП. С увеличением риска МГВ связано курение во время беременности, с увеличением заболеваемости новорожденного – героиновая и кокаиновая зависимость матери; фетальный алкогольный синдром обычно связан с ЗРП.

Настоящее исследование перекликалось с имеющимися сведениями, но частично. Радует, что курение среди женщин исследуемой когорты оказалось прогностически незначимым в разрабатываемых моделях, а алкоголизм, прием ПАВ, вообще отсутствовали. Анемия также не показана самостоятельной причиной НРП. Данный результат отражает лишь локальные особенности женщин, но не умаляют их риск в глобальном масштабе, о чем нами указывалось ранее [8, 11, 28].

Место жительства и семейное положение женщины оказались двумя фундаментальными параметрами, определяющими риск ЗРП, неразрывно связанными с исходом беременности и родоразрешения для плода. Важно, что не только место жительства, но и принадлежность к коренным жителям имело решающую роль в прогностических моделях.

В когорте отсутствовали женщины, не имеющие читать или писать, но уровень образования имел значение. В нашем примере (рис. 4б) наличие высшего образования явилось одним из ключевых факторов, которые отличали женщин с НРП, новорожденным которых не требовалась ИТ. Предвестниками НРП и характера терапии новорожденного явились род работы, семейное положение, возраст матери и отца, росто-весовые показатели матери – условно модифицируемые факторы. В ракурсе представленных данных контроль особенностей становления репродуктивной функции, репродуктивного опыта так же являются частичной мерой профилактики НРП, тяжелого состояния новорожденного. Включение в диагностические модели параметров, относящихся к предыдущей беременности (масса плода в родах, гестационный опыт, ПЭ в предыдущую беременность, родоразрешение в анамнезе и его метод), свидетельствует либо о вероятном персональном гестационном «стереотипе» женщины, либо о приобретении в предыдущей беременности рисков, реализующихся в последующей.

Желая подчеркнуть «автономную» значимость прегестационных факторов в рисках формирования варианта НРП (ЗРП или МГВ), потребности новорожденного в ИТ, в том числе РП, мы намеренно не включали в прогностические модели риск-факторы, формирующиеся в процессе гестации. Демонстрационное введение в качестве входных данных при прогнозировании потребности в ИТ новорожденного таких параметров, как срок родоразрешения, не только не умалило важность социально-демографических данных, но подтвердило их лидерство: семейное положение, место жительства и образование оказались первостепенными, срок беременности при родоразрешении следовал после них. Прогнозирование потребности в ИТ новорожденного, включая РП, с учетом варианта НРП (ЗРП или МГВ) и его причины также представило место жительства и семейное положение кардинальными предикторами. Клинико-анамнестические факторы (возрастные, включая отцовские), росто-весовые параметры, особенности становления репродуктивной функции, репродуктивный опыт, масса плода в предыдущих родах, гестационный опыт, ПЭ в предыдущую беременность, родоразрешение в анамнезе и его метод в большинстве своем имели невысокую чувствительность, но в совокупности определяли точность обучения, тестирования и валидации нейросетей до 100%. Именно в этом видится преимущество ИИ над другими методами анализа данных в прогнозировании исхода/классификации групп. ИИ позволяет в результате обучения обобщить (!) множество примеров и выявить общую функциональную зависимость, определяющую прогноз для пациента, нового в том числе [29].

Полученный нами инструмент стратификации беременных высокого риска по родоразрешению плодом недостаточного роста с необходимостью ИТ новорожденного, включая РП, является залогом своевременной диагностики данных нарушений, профилактики, персонализации тактики ведения беременности и родоразрешения в учреждениях соответствующего уровня. Именно управленческая прогнозная аналитика для руководителей различного уровня позволяет обосновать принятие управленческих решений, применима для оценки возможных сценариев развития заболеваний, нагрузки на медицинские организации, потребности в оборудовании, оснащении, лекарственных препаратах и т.д. Клиническая прогнозная аналитика подкрепляет выбор врачебных решений при помощи анализа медицинских данных, контроль лекарственной терапии, оптимальной маршрутизации пациента и т.д. [30]. Полученные нами модели новы, но перекликаются с опытом прогнозной клинической аналитики, эффективно проявившей себя при пандемии COVID-19 [23], а именно – представляются калькуляторами оценки персонального риска развития такого осложнения гестации, как один из вариантов НРП, и системы помощи при маршрутизации беременных при высоком риске ИТ, РП новорожденных. Немаловажно то, что результаты прогноза позволяют аргументированно предостеречь женщину о персональных рисках НРП на этапе планирования беременности и в ходе ее развития. Доступность предикторов особенно важна в условиях ограниченных ресурсов.

Заключение

ИИ позволяет на основании нейросетевых моделей, доступных для широкого применения в ежедневной практике, до наступления беременности стратифицировать женщин с риском развития НРП по его варианту (ЗРП или МГВ) (модель 1); необходимости ИТ новорожденного (модель 2), включая РП (модель 3). Данное нейросетевое прогнозирование эффективно обеспечивают материнские клинико-анамнестические и социально-демографические (место и постоянство жительства, образование, род работы, семейное положение; возрастные, включая отцовские), росто-весовые параметры, особенности становления репродуктивной функции, репродуктивный опыт, масса плода в предыдущих родах, гестационный опыт, ПЭ в предыдущую беременность, родоразрешение в анамнезе и его метод. Полученные модели олицетворяют прогнозную клиническую и управленческую аналитику, позволяющие на основе оценки клинико-анамнестических данных женщин обосновать выбор оптимального ведения беременности, скрининга и диагностики нарушений, своевременной маршрутизации беременных в интересах плода в учреждения соответствующего уровня оказания медицинской помощи.

Список литературы

  1. Министерство здравоохранения Российской Федерации. Клинические рекомендации. Недостаточный рост плода, требующий предоставления медицинской помощи матери (задержка роста плода). М.; 2020. 71 с.
  2. Hokken-Koelega A.C.S., van der Steen M., Boguszewski M.C.S., Cianfarani S., Dahlgren J., Horikawa R. et al. International Consensus Guideline on small for gestational age: etiology and management from infancy to early adulthood. Endocr. Rev. 2023; 44(3): 539-65. https://dx.doi.org/10.1210/endrev/bnad002.
  3. Lawn J.E., Ohuma E.O., Bradley E., Idueta L.S., Hazel E., Okwaraji Y.B. et al.; Lancet Small Vulnerable Newborn Steering Committee; WHO/UNICEF Preterm Birth Estimates Group; National Vulnerable Newborn Measurement Group; Subnational Vulnerable Newborn Measurement Group. Small babies, big risks: global estimates of prevalence and mortality for vulnerable newborns to accelerate change and improve counting. Lancet. 2023; 401(10389): 1707-19. https://dx.doi.org/10.1016/S0140-6736(23)00522-6.
  4. Nguyen Van S., Lobo Marques J.A., Biala T.A., Li Y. Identification of latent risk clinical attributes for children born under IUGR condition using machine learning techniques. Comput. Methods Programs Biomed. 2021; 200: 105842. https://dx.doi.org/10.1016/j.cmpb.2020.105842.
  5. Mutamba A.K., He X., Wang T. Therapeutic advances in overcoming intrauterine growth restriction induced metabolic syndrome. Front. Pediatr. 2023; 10: 1040742. https://dx.doi.org/10.3389/fped.2022.1040742.
  6. Vasilache I.-A., Scripcariu I.-S., Doroftei B., Bernad R.L., Cărăuleanu A., Socolov D. et al. Prediction of intrauterine growth restriction and preeclampsia using machine learning-based algorithms: a prospective study. Diagnostics. 2024; 14(4): 453. https://dx.doi.org/10.3390/diagnostics14040453.
  7. Rescinito R., Ratti M., Payedimarri A.B., Panella M. Prediction models for intrauterine growth restriction using artificial intelligence and machine learning: a systematic review and meta-analysis. Healthcare (Basel). 2023; 11(11): 1617. https://dx.doi.org/10.3390/healthcare11111617.
  8. Papastefanou I., Wright D., Nicolaides K.H. Competing-risks model for prediction of small-for-gestational-age neonate from maternal characteristics and medical history. Ultrasound Obstet. Gynecol. 2020; 56(2): 196-205. https://dx.doi.org/10.1002/uog.22129.
  9. Firatligil F.B., Sucu S.T., Tuncdemir S., Saglam E., Dereli M.L., Ozkan S. et al. Evaluation of systemic immune-inflammation index for predicting late-onset fetal growth restriction. Arch. Gynecol. Obstet. 2024; 310: 433-9. https://dx.doi.org/10.1007/s00404-024-07453-x.
  10. Mohammad N., Sohaila A., Rabbani U., Ahmed S., Ahmed S., Ali S.R. Maternal predictors of intrauterine growth retardation. J. Coll. Physicians Surg. Pak. 2018; 28(9): 681-5. https://dx.doi.org/10.29271/jcpsp.2018.09.681.
  11. Yang L., Feng L., Huang L., Li X., Qiu W., Yang K. et al. Maternal factors for intrauterine growth retardation: systematic review and meta-analysis of observational studies. Reprod. Sci. 2023; 30(6): 1737-45. https://dx.doi.org/10.1007/s43032-021-00756-3.
  12. Sufriyana H., Amani F.Z., Al Hajiri A.Z.Z., Wu Y.W., Su E.C. Prognosticating fetal growth restriction and small for gestational age by medical history. Stud. Health Technol. Inform. 2024; 310: 740-4. https://dx.doi.org/10.3233/SHTI231063.
  13. Wang Y., Shi Y., Zhang C., Su K., Hu Y., Chen L. et al. Fetal weight estimation based on deep neural network: a retrospective observational study. BMC Pregnancy Childbirth. 2023; 23(1): 560. https://dx.doi.org/10.1186/s12884-023-05819-8.
  14. Taeidi E., Ranjbar A., Montazeri F., Mehrnoush V., Darsareh F. Machine learning-based approach to predict intrauterine growth restriction. Cureus. 2023; 15(7): e41448. https://dx.doi.org/10.7759/cureus.41448.
  15. Magboo V.P.C., Magboo M.S.A. Prediction of late intrauterine growth restriction using machine learning models. Procedia Computer Science. 2022; 207(2): 1427-36. https://dx.doi.org/10.1016/j.procs.2022.09.199.
  16. Dapkekar P., Bhalerao A., Kawathalkar A., Vijay N. Risk factors associated with intrauterine growth restriction: a case-control study. Cureus. 2023; 15(6): e40178. https://dx.doi.org/10.7759/cureus.40178.
  17. Jhee J.H., Lee S., Park Y., Lee S.E., Kim Y.A., Kang S.W. et al. Prediction model development of late-onset preeclampsia using machine learning-based methods. PLoS One. 2019; 14(8): e0221202. https://dx.doi.org/10.1371/journal.pone.0221202.
  18. Benner M., Feyaerts D., Lopez-Rincon A., van der Heijden O.W.H., van der Hoorn M.L., Joosten I. et al. A combination of immune cell types identified through ensemble machine learning strategy detects altered profile in recurrent pregnancy loss: a pilot study. F S Sci. 2022; 3(2): 166-73. https://dx.doi.org/10.1016/j.xfss.2022.02.002.
  19. Hoffman M.K., Ma N., Roberts A. A machine learning algorithm for predicting maternal readmission for hypertensive disorders of pregnancy. Am. J. Obstet. Gynecol. MFM. 2021; 3(1): 100250. https://dx.doi.org/10.1016/j.ajogmf.2020.100250.
  20. Жуков О.Б. Черных В.Б. Искусственный интеллект в репродуктивной медицине. Андрология и генитальная хирургия. 2022; 23(4): 00-00.
  21. Ившин А.А., Багаудин Т.З., Гусев А.В. Искусственный интеллект на страже репродуктивного здоровья. Акушерство и гинекология. 2021; 5: 17-24.
  22. Буянова С.Н., Щукина Н.А., Темляков А.Ю., Глебов Т.А. Искусственный интеллект в прогнозировании наступления беременности. Российский вестник акушера-гинеколога. 2023; 23(2): 83‑7.
  23. Драпкина Ю.С., Макарова Н.П., Васильев Р.А., Амелин В.В., Калинина Е.А. Сравнение прогностических моделей, построенных с помощью разных методов машинного обучения, на примере прогнозирования результатов лечения бесплодия методом вспомогательных репродуктивных технологий. Акушерство и гинекология. 2024; 2: 97-105.
  24. Bruno V., D'Orazio M., Ticconi C., Abundo P., Riccio S., Martinelli E. et al. Machine Learning (ML) based-method applied in recurrent pregnancy loss (RPL) patients diagnostic work-up: a potential innovation in common clinical practice. Sci. Rep. 2020; 10(1): 7970. https://dx.doi.org/10.1038/s41598-020-64512-4.
  25. Khalifa M. Health analytics types, functions and levels: a review of literature. Stud. Health Technol. Inform. 2018; 251: 137-40.
  26. Kramer M.S. Socioeconomic determinants of intrauterine growth retardation. Eur. J. Clin. Nutr. 1998; 52 Suppl 1: S29-32; discussion S32-3.
  27. Tesfa D., Tadege M., Digssie A., Abebaw S. Intrauterine growth restriction and its associated factors in South Gondar zone hospitals, Northwest Ethiopia, 2019. Arch. Public Health. 2020; 78: 89. https://dx.doi.org/10.1186/s13690-020-00475-2.
  28. 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.
  29. Успенский Ю. П., Иванов С. В., Фоминых Ю. А., Наркевич А. Н., Сегаль А.М., Гржибовский А.М. Прогнозирование развития жизнеугрожающих осложнений воспалительных заболеваний кишечника с использованием нейронных сетей: инструменты для практического здравоохранения. Экспериментальная и клиническая гастроэнтерология. 2023; 217(9): 20-33.
  30. Гусев А.В., Новицкий Р.Э. Технологии прогнозной аналитики в борьбе с пандемией COVID-19. Врач и информационные технологии. 2020; 4: 24-33.

Поступила 22.05.2024

Принята в печать 22.10.2024

Об авторах / Для корреспонденции

Зиядинов Арсен Аблямитович, к.м.н., доцент кафедры акушерства, гинекологии и перинатологии №1, Ордена Трудового Красного Знамени Медицинский институт
им. С.И. Георгиевского КФУ им. В.И. Вернадского; врач акушер-гинеколог, Перинатальный центр Республиканской клинической больницы им. Н.А. Семашко,
295017, Россия, Республика Крым, Симферополь, ул. Семашко, д. 8, ars-en@yandex.ru
Новикова Владислава Александровна, д.м.н., профессор кафедры акушерства и гинекологии с курсом перинатологии Медицинского института, Российский университет дружбы народов Министерства науки и высшего образования России, 117198, Россия, Москва, ул. Миклухо-Маклая, д. 6, kafedra-aig@mail.ru
Радзинский Виктор Евсеевич, д.м.н., профессор, чл.-корр. РАН, заведующий кафедрой акушерства и гинекологии с курсом перинатологии Медицинского института, Российский университет дружбы народов» Министерства науки и высшего образования России, 117198, Россия, Москва, ул. Миклухо-Маклая, д. 6, kafedra-aig@mail.ru

Также по теме