Принимая во внимание особенности патогенеза этого опасного осложнения, для врачей-клиницистов важным подспорьем в практике может стать многофакторная модель эффективного прогнозирования ПЭ, позволяющая своевременно принимать эффективные клинические решения. Разработать модели прогнозирования общего риска ПЭ и риска ранней ПЭ с использованием технологий машинного обучения на основе данных реальной клинической практики в I триместре беременности поставил своей целью коллектив российских исследователей проекта Webiomed и учёных из Петрозаводска, Кирова и Москвы. Их работе посвящена статья, опубликованная в 10-м номере «АиГ» (2023 г).

Учёными проведено ретроспективное исследование на платформе прогнозной аналитики Webiomed, содержащей обезличенные данные 11,6 млн электронных медицинских карт пациентов, проходивших обследование и лечение в медицинских организациях разных регионов России. Из базы данных извлечены 21 092 записи, соответствующие 12 434 уникальным беременностям 12 283 женщин (2004-2022 гг.) в возрасте от 11 до 60 лет на сроке до 16 недель включительно.

Методы машинного обучения (или искусственный интеллект) сегодня уже стали эффективными инструментами в разработке моделей для прогнозирования и диагностики сложных и многофакторных патологических процессов, таких, как ПЭ. Создание точных медицинских прогностических моделей – комплексный и многоступенчатый процесс, связанный со сбором, обработкой и анализом большого количества информации, активным взаимодействием между врачами и специалистами по искусственному интеллекту.

В качестве прогностических факторов ПЭ специалисты использовали легко отслеживаемые и контролируемые анамнестические, конституциональные, клинические, инструментальные и лабораторные данные, широко используемые во врачебной практике. Всего – 53 переменные, автоматически извлекаемые из врачебных медицинских записей. Для анализа были применены методы и алгоритмы машинного обучения – логистическая регрессия (LR), алгоритмы, основанные на деревьях решений (LightGBM, XGBoost, CatBoost, RandomForest и ExtraTrees).

Наилучшие результаты при решении задач прогнозирования ПЭ показала модель ExtraTrees, площадь под кривой (AUC) 0,858 (95% ДИ 0,827–0,890). Точность модели составила 0,634 (95% ДИ 0,616–0,652), чувствительность – 0,897 (95% ДИ 0,837–0,953), специфичность – 0,624 (95% ДИ 0,605–0,643). В числе моделей оценки риска ранней ПЭ наилучшие результаты продемонстрировал алгоритм RandomForest. По результатам его валидации AUC составила 0,848 (95% ДИ 0,785–0,904), точность – 0,813 (95% ДИ 0,798–0,828), чувствительность – 0,733 (95% ДИ 0,565–0,885), специфичность – 0,814 (95% ДИ 0,799–0,828). При этом результаты внешней валидации показали хорошую устойчивость моделей к новым данным.

Таким образом, достигнутые результаты позволили российскими ученым сделать вывод о возможности использования разработанных моделей в реальной клинической практике.