Ученые Петрозаводского государственного университета разработали и протестировали систему искусственного интеллекта (ИИ) для ранней оценки риска преждевременных родов на основе данных электронных медицинских карт. Алгоритм CatBoost, лежащий в основе решения, анализирует сочетание клинических факторов и позволяет выявлять пациенток с повышенной вероятностью осложнений. Результаты исследования опубликованы в журнале «Акушерство, гинекология и репродукция».
Преждевременные роды остаются одной из основных причин неонатальной смертности и тяжелых осложнений у новорожденных, причем их глобальная частота сохраняется на уровне 5–18%. Это ограничивает эффективность существующих подходов к профилактике и усиливает запрос на более точные инструменты раннего прогнозирования, способные учитывать совокупность факторов риска, а не отдельные показатели.
Модель обучили на массиве из около 10 тысяч обезличенных медкарт беременных, включающих 54 параметра – клинические, лабораторные, анамнестические данные и текстовые записи врачей. Для работы с неструктурированной информацией использовали языковую модель по анализу русскоязычных медицинских текстов, после чего признаки передавались в алгоритмы машинного обучения.
Среди 14 протестированных моделей наиболее высокие показатели продемонстрировал алгоритм CatBoost: точность прогноза составила около 81%, модель выявляла до 87% случаев преждевременных родов и примерно в 82% случаев корректно различала группы высокого и низкого риска. Полнота извлечения информации из текстовых записей достигла почти 99,8%.
Система учитывает широкий набор факторов, включая плацентарную недостаточность, инфекции, истмико-цервикальную недостаточность, многоплодную беременность и ЭКО. При этом алгоритм анализирует не отдельные параметры, а их сочетания, что позволяет точнее отражать реальные клинические сценарии и динамику состояния пациентки – задача, с которой традиционные статистические методы справляются хуже.
Решение построено по комбинированному принципу: сначала из текстов врачебных записей извлекаются дополнительные признаки риска, затем они объединяются с табличными данными и обрабатываются моделью машинного обучения. Такой подход расширяет объем используемой информации и повышает точность прогноза по сравнению с системами, опирающимися только на структурированные данные.
Разработку можно рассматривать как инструмент поддержки принятия врачебных решений, прежде всего для раннего выявления пациенток группы риска и назначения профилактических мер. Это потенциально позволяет снизить частоту преждевременных родов за счет более точного мониторинга беременности и своевременного вмешательства.
Авторы подчеркивают, что система не заменяет врача и пока находится на раннем этапе. Ограничения связаны с ретроспективным характером данных, неполнотой медкарт и отсутствием многоцентровой валидации. В дальнейшем планируется расширение набора признаков, включая биохимические маркеры, и проведение дополнительных исследований для подготовки технологии к практическому внедрению.
Ранее подобные инструменты для прогнозирования осложнений беременности разрабатывались и за рубежом. В частности, в США создали ИИ-модель для системы Medicaid, обученную на данных почти 191 тысячи беременностей с учетом не только клинических, но и социальных факторов – доступности медицинской помощи и инфраструктуры. Алгоритм позволял выявлять риск осложнений в среднем на 55 дней раньше стандартных методов, что дает больше времени для раннего вмешательства и профилактики.
В российской практике повышение безопасности в акушерстве достигается не только за счет цифровых инструментов. Так, анализ за 2024 год показал, что в стационарах третьего уровня, внедривших систему менеджмента качества Росздравнадзора, показатели выживаемости при жизнеугрожающих осложнениях выше, а материнская смертность ниже среднероссийского уровня, несмотря на концентрацию наиболее тяжелых случаев.