Разработка и валидациямоделей прогнозирования общего риска преэклампсии и риска ранней преэклампсии с использованием алгоритмов машинного обучения в первом триместре беременности

Аннотация:

Актуальность: Преэклампсия (ПЭ) представляет собой грозное, трудно прогнозируемое осложнение беременности, характеризующееся полиорганной дисфункцией. Заболевание встречается с частотой 2—8% среди всех беременностей и является одной из ведущих причин перинатальной и материнской смертности, в особенности при раннем дебюте. Цель: Разработка моделей прогнозирования общего риска ПЭ и риска ранней ПЭ с использованием технологий машинного обучения (MO) на основе данных реальной клинической практики в I триместре беременности. Материалы и методы: По сведениям из электронныхмедицинских карт, полученных через платформу Webiomed, были проанализированы 21 092 записи, соответствующие 12 434 уникальным беременностям 12 283 женщин в возрасте от 11 до 60 лет на сроке до 16 недель включительно. B качестве потенциальных факторов прогноза ПЭ отобраны анамнестические, конституциональные, клинические, инструментальные и лабораторные данные, широко используемые в рутинной врачебной практике, всего — 53 переменные. Для создания моделей применялись логистическая регрессия (LR), методы градиентного бустинга (LightGBM, XGBoost, CatBoost) и методы, основанные на деревьях решений (RandomForest и ExtraTrees). Результаты: Наилучшие результаты при решении задачи 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). B 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%) ДИ0,799—0,828). Заключение: Метрики полученных итоговых моделей соответствовали опубликованным ранее аналогам. Результаты внешней валидации показали относительную устойчивость моделей к новым данным, что в совокупности с показателями качества предполагает возможность их использования в реальной клинической практике. Это наш первый опыт прогнозирования сложного по механизму развития осложнения беременности на основе данных реальной клинической практики. Качество прогностической модели напрямую зависит от используемых данных и статистических алгоритмов, которые нам предстоит улучшить в будущих исследованиях.

Авторы:

Издание: Акушерство и гинекология
Год издания: 2023
Объем: 14с.
Дополнительная информация: 2023.-N 10.-С.94-107. Библ. 20 назв.
Просмотров: 15