Разработка и валидация моделей прогнозирования общего риска преэклампсии и риска ранней преэклампсии с использованием алгоритмов машинного обучения в первом триместре беременности [Текст] / А. Е. Андрейченко, А. С. Лучинин, А. А. Ившин [и др.] // Акушерство и гинекология : научно-практический журнал. - 2023. - N 10. - С. 94-107 : табл. - Библиогр. в конце ст. - Реферирована. . - ISSN 0300-9092 Кл.слова (ненормированные): ПРЕЭКЛАМПСИЯ -- БОЛЬШИЕ АКУШЕРСКИЕ СИНДРОМЫ -- ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ 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 (МО) на основе данных реальной клинической практики в I триме¬стре беременности. Материалы и методы: По сведениям из электронных медицинских карт, полученных через платформу Webiomed, были проанализированы 21 092 записи, соответствующие 12 434 уникальным беремен¬ностям 12 283 женщин в возрасте от 11 до 60 лет на сроке до 16 недель включительно. В 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). В числе моделей оценки риска ранней ПЭ наилучшие результаты про¬демонстрировал 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% ДИ 0,799-0,828). 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. Держатели документа: Научно-медицинская библиотека ГБУЗ МИАЦ : г. Пенза, ул. Пионерская,2 Доп.точки доступа: Андрейченко, Анна Евгеньевна Лучинин, Александр Сергеевич Ившин, Александр Анатольевич Новицкий, Роман Эдвардович Ермак, Андрей Дмитриевич Гусев, Александр Владимирович Экземпляры всего: 1 ЧЗ (1) Свободны: ЧЗ (1) |