Новости

15/04/2026

Ключевые слова: Преэклампсия, прогнозирование, машинное обучение, Fetal Medicine Foundation, плацентарный фактор роста, пульсационный индекс маточных артерий, калибровка, пренатальный скрининг.

Результаты:

Биомаркеры II триместра значимо повысили дискриминацию: ΔAUC +0,025 (p=0,001) для ML, +0,031 (p<0,001) для FMF. ML M4 и FMF T2 эквивалентны по дискриминации (AUC 0,927 против 0,935; p=0,91), однако ML M4 превосходил FMF T2 по калибровке (O:E 1,00 против 0,81). Частота выявления при пороге 1:100: 89,5% (ML M4) и 88,0% (FMF T2). Более 99% понижений категории риска корректны. Внешняя валидация: AUC 0,897 (ML M4) и 0,905 (FMF T2).

Заключение:

Измерение биомаркеров во II триместре значимо улучшает прогнозирование пПЭ. ML и FMF эквивалентны по дискриминации, но ML обеспечивает лучшую калибровку в когорте российских женщин. Результаты обосновывают проспективную оценку двухэтапного протокола скрининга пПЭ.

Материалы и методы:

Многоцентровое ретроспективное когортное исследование на данных регистра беременных МАРС (внутренняя когорта: 7101 одноплодная беременность, 133 случая пПЭ; внешняя: 1325 беременностей, 24 случая пПЭ). Разработаны ML-модели I триместра (M2: 15 материнских факторов + 3 биомаркера) и I + II триместра (M4: +3 биомаркера T2). Проведено сравнение с алгоритмом FMF (T1, T2). Оценены AUC, калибровка, NRI, IDI, анализ кривых принятия решений, безопасность реклассификации.

Оценить дополнительную прогностическую ценность измерения биомаркеров (MAP, UtAPI, PlGF) во II триместре для прогнозирования преэклампсии в сроке до 37 недель (пПЭ) и сравнить дискриминацию, калибровку и клиническую полезность модели машинного обучения (ML) и алгоритма Fetal Medicine Foundation (FMF).