Сравнительная эффективность ML-модели и алгоритма Фонда медицины плода для прогнозирования преэклампсии в сроке до 37 недель: валидационное исследование в российской популяции

DOI

https://dx.doi.org/10.18565/aig.2026.13

Ившин А.А., Болдина Ю.С., Малышев Н.А.
1) ФГБОУ ВО «Петрозаводский государственный университет», Петрозаводск, Россия; 2) ГБУЗ РК «Республиканский перинатальный центр имени Гуткина К.А.», Петрозаводск, Россия

Цель. Сравнительная оценка эффективности ML-модели на основе логистической регрессии с калибровкой по методу Платта и алгоритма Фонда медицины плода (Fetal Medicine Foundation, FMF) для прогнозирования преэклампсии в сроке до 37 недель (preterm preeclampsia, преждевременная преэклампсия) в российской популяции.
Материалы и методы. Ретроспективное когортное исследование включало 14 950 одноплодных беременностей (когорта разработки: n=7581; когорта валидации: n=7369). Оценивались материнские характеристики, биофизические (САД, ПИ маточных артерий) и биохимические (PlGF, PAPP-A, sFlt-1) маркеры в 11–13 недель. Исходом являлась преэклампсия с родоразрешением <37 недель. Сравнивались дискриминация (AUC), калибровка (O:E, Brier score) и клиническая полезность (DCA).
Результаты. При внутренней валидации ML-модель превосходила алгоритм FMF (AUC 0,923 против 0,906; ΔAUC=+0,017; p=0,013). При внешней валидации различия были статистически незначимы (AUC 0,900 против 0,889; p=0,229). ML-модель продемонстрировала существенно лучшую калибровку (O:E 0,974 против 0,808). Выявлено пересечение ROC-кривых при пороге 7–8% ложноположительных результатов.
Заключение. ML-модель продемонстрировала сопоставимую дискриминационную способность и существенно лучшую калибровку по сравнению с алгоритмом FMF. Выявленная комплементарность моделей указывает на потенциал гибридных подходов для оптимизации скрининга преэклампсии в российской популяции.

Вклад авторов. Ившин А.А. – концепция и руководство исследованием, экспертный анализ результатов, редактирование текста статьи; Болдина Ю.С. – написание текста статьи; Малышев Н.А. – анализ данных и математическое моделирование.
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Финансирование. Исследование выполнено за счет гранта Российского научного фонда № 24-25-00429, https://rscf.ru/project/24-25-00429/.
Одобрение этического комитета. Исследование одобрено локальным этическим комитетом ФГБОУ ВО «Петрозаводский государственный университет» (протокол № 17 от 20.03.2024).
Генеративный искусственный интеллект. Инструменты генеративного искусственного интеллекта не использовались для создания текста рукописи. Статистический анализ выполнен автором с использованием R 4.3 и Python 3.11. Автор несет полную ответственность за содержание публикации.
Согласие пациентов на публикацию. В связи с ретроспективным характером исследования и использованием обезличенных данных информированное согласие не требовалось в соответствии с действующим законодательством.
Обмен исследовательскими данными. Данные исследования содержат персональную медицинскую информацию и не могут быть переданы в открытый доступ в соответствии с требованиями Федерального закона № 152-ФЗ «О персональных данных». Деперсонализированные агрегированные данные могут быть предоставлены для обоснованных исследовательских запросов после одобрения локальным этическим комитетом. Аналитический код на языке Python, включающий скрипты предобработки данных, обучения моделей и валидации, доступен в репозитории GitHub по запросу у автора, ответственного за переписку.
Для цитирования: Ившин А.А., Болдина Ю.С., Малышев Н.А. Сравнительная эффективность ML-модели и алгоритма Фонда медицины плода для прогнозирования преэклампсии в сроке до 37 недель:
валидационное исследование в российской популяции.
Акушерство и гинекология. 2026; 6: 109-124
https://dx.doi.org/10.18565/aig.2026.13

преэклампсия

прогнозирование

машинное обучение

алгоритм FMF

скрининг первого триместра

валидация

калибровка

Полный текст статьи
доступен в "Библиотеке Врача"

Brown M.A., Magee L.A., Kenny L.C., Karumanchi S.A., McCarthy F.P., Saito S. et al.; International Society for the Study of Hypertension in Pregnancy (ISSHP). The hypertensive disorders of pregnancy: ISSHP classification, diagnosis & management recommendations for international practice. Pregnancy Hypertens. 2018; 13: 291-310. https://dx.doi.org/10.1016/j.preghy.2018.05.004
American College of Obstetricians and Gynecologists. Gestational hypertension and preeclampsia: ACOG Practice Bulletin № 222. Obstet. Gynecol. 2020; 135(6): e237-60. https://dx.doi.org/10.1097/AOG.0000000000003891
Dimitriadis E., Rolnik D.L., Zhou W., Estrada-Gutierrez G., Koga K., Francisco R.P.V. et al. Pre-eclampsia. Nat. Rev. Dis. Primers. 2023; 9(1): 8. https://dx.doi.org/10.1038/s41572-023-00417-6
Saleem S., McClure E.M., Goudar S.S., Patel A., Esamai F., Garces A. et al. A prospective study of maternal, fetal and neonatal deaths in low- and middle-income countries. Bull. World Health Organ. 2014; 92(8): 605-12. https://dx.doi.org/10.2471/BLT.13.127464
Министерство здравоохранения Российской Федерации. Клинические рекомендации. Преэклампсия. Эклампсия. Отеки, протеинурия и гипертензивные расстройства во время беременности, в родах и послеродовом периоде. 2024. Доступно по: https://cr.minzdrav.gov.ru/view-cr/637_2
Chappell L.C., Cluver C.A., Kingdom J., Tong S. Pre-eclampsia. Lancet. 2021; 398(10297): 341-54. https://dx.doi.org/10.1016/S0140-6736(20)32335-7
Brosens I., Pijnenborg R., Vercruysse L., Romero R. The "Great Obstetrical Syndromes" are associated with disorders of deep placentation. Am. J. Obstet. Gynecol. 2011; 204(3): 193-201. https://dx.doi.org/10.1016/j.ajog.2010.08.009
Zeisler H., Llurba E., Chantraine F., Vatish M., Cathrine A., Sennström S.M. et al. Predictive value of the sFlt-1:PlGF ratio in women with suspected preeclampsia. N. Engl. J. Med. 2016; 374(1): 13-22. https://dx.doi.org/10.1056/NEJMoa1414838
Ходжаева З.С., Холин А.М., Вихляева Е.М. Ранняя и поздняя преэклампсия: парадигмы патобиологии и клиническая практика. Акушерство и гинекология. 2013; 10: 4-11
Воднева Д.Н., Романова В.В., Дубова Е.А., Павлов К.А., Шмаков Р.Г., Щеголев А.И. Клинико-морфологические особенности ранней и поздней преэклампсии. Акушерство и гинекология. 2014; 2: 35-40.
Chaemsaithong P., Sahota D.S., Poon L.C. First trimester preeclampsia screening and prediction. Am. J. Obstet. Gynecol. 2022; 226(2S): S1071-S1097.e2. https://dx.doi.org/10.1016/j.ajog.2020.07.020
Stepan H., Galindo A., Hund M., Schlembach D., Sillman J., Surbek D. et al. Clinical utility of sFlt-1 and PlGF in screening, prediction, diagnosis and monitoring of pre-eclampsia and fetal growth restriction. Ultrasound Obstet. Gynecol. 2023; 61(2): 168-80. https://dx.doi.org/10.1002/uog.26032
Ходжаева З.С., Холин А.М., Шувалова М.П., Иванец Т.Ю., Демура С.А., Галичкина И.В. Российская модель оценки эффективности теста на преэклампсию sFlt-1/PlGF. Акушерство и гинекология. 2019; 2: 52-8. https://dx.doi.org/10.18565/aig.2019.2.52-58.
Wright D., Syngelaki A., Akolekar R., Poon L.C., Nicolaides K.H. Competing risks model in screening for preeclampsia by maternal characteristics and medical history. Am. J. Obstet. Gynecol. 2015; 213(1): 62.e1-10. https://dx.doi.org/10.1016/j.ajog.2015.02.018
Rolnik D.L., Wright D., Poon L.C., O’Gorman N., Syngelaki A., de Paco Matallana C. et al. Aspirin versus placebo in pregnancies at high risk for preterm preeclampsia. N. Engl. J. Med. 2017; 377(7): 613-22. https://dx.doi.org/10.1056/NEJMoa1704559
Poon L.C., Shennan A., Hyett J.A., Kapur A., Hadar E., Divakar H. et al. The International federation of gynecology and obstetrics (FIGO) initiative on pre-eclampsia. Int. J. Gynaecol. Obstet. 2019; 145(Suppl 1): 1-33. https://dx.doi.org/10.1002/ijgo.12802
O'Gorman N., Wright D., Poon L.C., Rolnik D.L., Syngelaki A., de Alvarado M. et al. Multicenter screening for pre-eclampsia by maternal factors and biomarkers at 11-13 weeks' gestation: comparison with NICE guidelines and ACOG recommendations. Ultrasound Obstet. Gynecol. 2017; 49: 756-60. https://dx.doi.org/10.1002/uog.17455
Aljameel S.S., Alzahrani M., Almusharraf R., Altukhais M., Alshaia S., Sahlouli H. et al. Prediction of preeclampsia using machine learning and deep learning models: a review. Big Data Cogn. Comput. 2023; 7(1): 32. https://dx.doi.org/10.3390/bdcc7010032
O’Gorman N., Wright D., Syngelaki A., Akolekar R., Wright A., Poon L.C. et al. Competing risks model in screening for preeclampsia by maternal factors and biomarkers at 11-13 weeks’ gestation. Am. J. Obstet. Gynecol. 2016; 214(1): 103.e1-12. https://dx.doi.org/10.1016/j.ajog.2015.08.034
Roberge S., Bujold E., Nicolaides K.H. Aspirin for the prevention of preterm and term preeclampsia: systematic review and metaanalysis. Am. J. Obstet. Gynecol. 2018; 218(3): 287-93.e1. https://dx.doi.org/10.1016/j.ajog.2017.11.561
Bujold E., Roberge S., Lacasse Y., Bureau M. Prevention of preeclampsia and intrauterine growth restriction with aspirin started in early pregnancy: a meta-analysis. Obstet. Gynecol. 2010; 116(2 Pt 1): 402-14. https://dx.doi.org/10.1097/AOG.0b013e3181e9322a
Van Calster B., McLernon D.J., van Smeden M., Wynants L., Steyerberg E.W. Calibration: the Achilles heel of predictive analytics. BMC Med. 2019; 17(1): 230. https://dx.doi.org/10.1186/s12916-019-1466-7
Zwertbroek E.F., Groen H., Fontanella F., Maggio L., Caterina L.M., Bilardo M. Performance of the FMF first-trimester preeclampsia-screening algorithm in a high-risk population in the Netherlands. Fetal. Diagn. Ther. 2021; 48(2):103-11. https://dx.doi.org/10.1159/000512335
Collins G.S., Reitsma J.B., Altman D.G., Moons K.G.M. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD). BMJ. 2015; 350: g7594. https://dx.doi.org/10.1136/bmj.g7594
Poon L.C., Zymeri N.A., Zamprakou A., Syngelaki A., Nicolaides K.H. Protocol for measurement of mean arterial pressure at 11-13 weeks' gestation. Fetal. Diagn. Ther. 2012; 31(1): 42-8. https://dx.doi.org/10.1159/000335366
Kovacheva V.P., Eberhard B.W., Cohen R.Y., Maher M., Saxena R., Gray K.J. Preeclampsia prediction using machine learning and polygenic risk scores. Hypertension. 2024; 81(2): 264-72. https://dx.doi.org/10.1161/HYPERTENSIONAHA.123.21053
Li T., Xu M., Wang Y., Wang Y., Tang H., Duan H. et al. Prediction model of preeclampsia using machine learning based methods: a population based cohort study in China. Front. Endocrinol. (Lausanne). 2024; 15: 1345573. https://dx.doi.org/10.3389/fendo.2024.1345573
DeLong E.R., DeLong D.M., Clarke-Pearson D.L. Comparing the areas under two or more correlated receiver operating characteristic curves: a nonparametric approach. Biometrics. 1988; 44(3): 837-45. https://dx.doi.org/10.2307/2531595
Steyerberg E.W., Vickers A.J., Cook N.R., Gerds T., Gonen M., Obuchowski N. et al. Assessing the performance of prediction models: a framework for traditional and novel measures. Epidemiology. 2010; 21(1): 128-38. https://dx.doi.org/10.1097/EDE.0b013e3181c30fb2
Vickers A.J., Elkin E.B. Decision curve analysis: a novel method for evaluating prediction models. Med. Decis. Making. 2006; 26(6): 565-74. https://dx.doi.org/10.1177/0272989X06295361
Холин А.М., Муминова К.Т., Балашов И.С., Ходжаева З.С., Боровиков П.И., Иванец Т.Ю., Гус А.И. Прогнозирование преэклампсии в первом триместре беременности: валидация алгоритмов скрининга на российской популяции. Акушерство и гинекология. 2017; 8: 74-84. https://dx.doi.org/10.18565/aig.2017.8.74-84
Ившин А.А., Малышев Н.А. Ранняя стратификация риска преэклампсии на основе мультипараметрической модели машинного обучения и рутинно собираемых клинических данных. Акушерство, гинекология и репродукция. 2026; 20(1): 111-29. https://dx.doi.org/10.17749/2313-7347/ob.gyn.rep.2025.706
Tan M.Y., Syngelaki A., Poon L.C., Rolnik D.L., O'Gorman N., Delgado J.L. et al. Screening for pre-eclampsia by maternal factors and biomarkers at 11-13 weeks’ gestation. Ultrasound Obstet. Gynecol. 2018; 52(2): 186-95. https://dx.doi.org/10.1002/uog.19112
Platt J.C. Probabilistic outputs for support vector machines and comparisons to regularized likelihood methods. In: Smola A.J., Bartlett P.L., Schölkopf B., Schuurmans D., eds. Advances in large margin classifiers. Cambridge: MIT Press; 1999: 61-74.
Gil M.M., Cuenca-Gómez D., Rolle V., Pertegal M., Díaz C., Revello R. et al. Validation a machine-learning model for first-trimester prediction of pre-eclampsia using the cohort from the PREVAL study. Ultrasound Obstet. Gynecol. 2024; 63(1): 68-74. https://dx.doi.org/10.1002/uog.27480
Torres-Torres J., Villafan-Bernal J.R., Martinez-Portilla R.J., Hidalgo-Carrera J.A., Estrada-Gutierrez G., Adalid-Martinez-Cisneros R. et al. Performance of machine-learning approach for prediction of pre-eclampsia in a middle-income country. Ultrasound Obstet. Gynecol. 2024; 63(3): 350-7. https://dx.doi.org/10.1002/uog.27510

Поступила 19.01.2026

Принята в печать 11.02.2026

Ившин Александр Анатольевич, к.м.н., доцент, заведующий кафедрой акушерства и гинекологии, дерматовенерологии Медицинского института
им. проф. А.П. Зильбера, Петрозаводский государственный университет, 185035, Россия, Республика Карелия, Петрозаводск, ул. Красноармейская, д. 31,
+7(909)567-12-51, scipeople@mail.ru, https://orcid.org/0000-0001-7834-096X
Болдина Юлия Сергеевна, аспирант, старший преподаватель кафедры акушерства и гинекологии, дерматовенерологии Медицинского института им. проф. А.П. Зильбера, Петрозаводский государственный университет, 185035, Россия, Республика Карелия, Петрозаводск, ул. Красноармейская, д. 31; врач акушер-гинеколог,
Республиканский перинатальный центр им. Гуткина К.А., +7(981)405-85-24, ulia.isakova94@gmail.com, https://orcid.org/0000-0002-1450-650X
Малышев Никита Андреевич, аспирант по научной специальности «Информационно-измерительные и управляющие системы», преподаватель кафедры семейной медицины, общественного здоровья, организации здравоохранения, безопасности жизнедеятельности, медицины катастроф Медицинского института им. проф. А.П. Зильбера, Петрозаводский государственный университет, 185035, Россия, Республика Карелия, Петрозаводск, ул. Красноармейская, д. 31,
+7(921)461-38-60, malyshev.nikita.2016@gmail.com, https://orcid.org/0009-0005-2722-5976
Автор, ответственный за переписку: Александр Анатольевич Ившин, scipeople@mail.ru

Ившин А.А., Болдина Ю.С., Малышев Н.А.

Ключевые слова

Список литературы

Об авторах / Для корреспонденции

Также по теме