Прогнозирование задержки роста плода с применением алгоритмов машинного обучения

Цель: Выявление значимых клинико-анамнестических предикторов задержки роста плода и разработка эффективных прогностических моделей с применением алгоритмов машинного обучения.

Материалы и методы: В ретроспективное исследование были включены 620 беременных, наблюдавшихся и родоразрешенных в ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии им. акад. В.И. Кулакова» Минздрава России. Основная группа состояла из 300 пациенток с задержкой роста плода, группа сравнения – 320 пациенток с физиологическим течением беременности. Был проведен анализ клинико-анамнестических данных для создания моделей прогнозирования задержки роста плода с помощью методов машинного обучения: метода логистической регрессии и метода случайного леса.

Результаты: Модель логистической регрессии включает следующие предикторы: возраст старше 40 лет, рост менее 1,60 м, хроническая артериальная гипертензия, курение, задержка роста плода в анамнезе, угрожающий выкидыш в I триместре беременности с формированием ретрохориальной гематомы и кровотечением. Она позволяет прогнозировать развитие задержки роста плода с чувствительностью 73% и специфичностью 80% (AUC 0,81). Альтернативная модель, построенная с использованием метода случайного леса, продемонстрировала увеличение чувствительности до 78% и снижение специфичности до 74% (AUC 0,79). В рамках метода случайного леса было установлено, что наибольший вклад в точность прогноза вносят: возраст старше 40 лет, рост менее 1,60 м, наличие хронической артериальной гипертензии, операции, приводящие к образованию рубца на матке, в анамнезе, задержка роста плода в анамнезе, угрожающий выкидыш в I триместре беременности с формированием ретрохориальной гематомы без кровотечения.

Заключение: Обе модели демонстрируют высокую прогностическую ценность для скрининга задержки роста плода. Метод логистической регрессии обеспечивает интерпретируемость, а метод случайного леса – точность за счет учета нелинейных взаимосвязей. Внедрение моделей в клиническую практику позволит оптимизировать мониторинг беременных, входящих в группу риска.