Objective. To compare the performance of a machine-learning (ML) model based on logistic regression with Platt scaling and the Fetal Medicine Foundation (FMF) algorithm for predicting preterm pre-eclampsia in a Russian population.
Materials and methods. This retrospective cohort study included 14 950 singleton pregnancies (development cohort: n=7581; validation cohort: n=7369). Maternal characteristics, biophysical markers (systolic blood pressure and uterine artery pulsatility index), and biochemical markers (PlGF, PAPP-A, and sFlt-1) assessed at 11–13 weeks of gestation were analyzed. The primary outcome was pre-eclampsia requiring delivery before 37 weeks of gestation. Discrimination (AUC), calibration (observed-to-expected ratio [O:E] and Brier score), and clinical utility (decision curve analysis [DCA] ) were compared.
Results. On internal validation, the ML model outperformed the FMF algorithm (AUC 0.923 vs. 0.906; ΔAUC=+0.017; p=0.013). On external validation, the between-model difference was not statistically significant (AUC 0.900 vs. 0.889; p=0.229). The ML model demonstrated substantially better calibration (O:E 0.974 vs. 0.808). The intersection of the ROC curves was observed at a false-positive rate threshold of approximately 7–8%.
Conclusion. The ML model showed comparable discriminative performance and markedly superior calibration compared with the FMF algorithm. The observed complementarity of the models suggests the potential of hybrid approaches to optimize preeclampsia screening in the Russian population.
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.