Создание модели искусственного интеллекта для расчета гестационного возраста и прогноза риска рождения маловесного плода на основе динамического анализа ультразвуковой фетометрии

Низкая масса тела при рождении остается одной из ключевых причин перинатальной заболеваемости и смертности. Своевременное выявление нарушений внутриутробного роста требует инструментов, способных интегрировать многомерные ультразвуковые и клинические данные беременной.

Цель исследования – разработать и верифицировать модель машинного обучения, прогнозирующую риск рождения маловесного плода на основе фетометрических измерений и материнских факторов, а также оценить ее диагностическую ценность по сравнению с классическими методами.

Материал и методы. Исследование включило 5477 беременных (8396 УЗИ; 11–40 недель гестации). Контрольную группу составила 5161 женщина, родившая доношенных новорожденных с нормальной массой, группу случаев — 316 беременных с доношенными детьми массой менее 10-го процентиля для соответствующего срока беременности. Для каждого УЗИ собраны стандартные фетометрические показатели и 20 клинических/социальных переменных матери. После очистки данных выполнены стратифицированное разделение по беременным (80 % train / 20 % test), стандартизация количественных признаков и бинарное кодирование категорий. Сравнивались градиентный бустинг (XGBoost, CatBoost, LightGBM), трансформер-сеть и мультизадачная (регрессия + классификация) нейросеть. Гиперпараметры подбирались Optuna; качество оценивалось с использованием средней абсолютной ошибки (MAE), средней квадратичной ошибки прогнозирования (RMSE), площади под ROC-кривой (AUC), чувствительности (Se), специфичности (Sp).

Результаты и их обсуждение. Регрессия (оценка гестационного срока): стэкинг трех бустингов дал MAE 0,29 нед. (≈ 2 сут), RMSE 0,40 нед., коэффициент детерминации (R²) 0,989. Мультизадачная сеть достигла MAE 0,32 нед. Классификация (маловесность / норма): мультизадачная модель показала AUC 0,96, Se 90 % и Sp 96 % при оптимальном пороге. Наибольший вклад в прогноз вносили окружность живота и длина бедра плода, а из материнских факторов — плацентарная недостаточность, гипертонические осложнения, курение и паритет. Исключение паритета снижало AUC на ≈ 0,02, подтверждая его добавочную информативность. Калибровка вероятностей после изотонической регрессии продемонстрировала близость к идеальной линии, что обеспечивает интерпретируемость риска для клинициста.

Заключение. Создана и валидирована высокоточная система прогнозирования риска рождения маловесного плода, объединяющая ультразвуковую фетометрию и клинико-социальные данные. Точность (AUC 0,96) и высокая чувствительность делают модель перспективным скрининговым инструментом для акушерской практики. Внедрение алгоритма в виде автоматизированного отчета может повысить раннюю диагностику нарушений роста плода и оптимизировать маршрутизацию беременных группы риска. Дальнейшие шаги – внешняя валидация на многоцентровых данных и анализ клинико-экономической эффективности.

1. Lawn J.E., Ohuma E.O., Bradley E., Idueta L.S., Hazel E., Okwaraji Y.B., Erchick D.J., Yargawa J., Katz J., Lee A.C.C., … Subnational Vulnerable Newborn Measurement Group. Small babies, big risks: global estimates of prevalence and mortality for vulnerable newborns to accelerate change and improve counting. Lancet. 2023;401(10389):1707–1719. doi: 10.1016/S0140-6736(23)00522-6

2. Blencowe H., Krasevec J., de Onis M., Black R.E., An X., Stevens G.A., Borghi E., Hayashi C., Estevez D., Cegolon L., … Cousens S. National, regional, and worldwide estimates of low birthweight in 2015, with trends from 2000: a systematic analysis. Lancet Glob. Health. 2019;7(7):e849–e860. doi: 10.1016/s2214-109X(18)30565-5

3. Bekele W.T. Machine learning algorithms for predicting low birth weight in Ethiopia. BMC Med. Inform. Decis. Mak. 2022;22(1):232. doi: 10.1186/s12911-022-01981-9

4. Islam Pollob S.M.A., Abedin M.M., Islam M.T., Islam M.M., Maniruzzaman M. Predicting risks of low birth weight in Bangladesh with machine learning. PLoS One. 2022;17(5):e0267190. doi: 10.1371/journal.pone.0267190

5. Khan W., Zaki N., Masud M.M., Ahmad A., Ali L., Ali N., Ahmed L.A. Infant birth weight estimation and low birth weight classification in United Arab Emirates using machine learning algorithms. Sci. Rep. 2022;12(1):12110. doi: 10.1038/s41598-022-14393-6

6. Punyapet P., Suwanrath C., Chainarong N., Sawaddisan R., Vichitkunakorn P. Predictors of adverse perinatal outcomes in fetal growth restriction using a combination of maternal clinical factors and simple ultrasound parameters. Int. J. Gynaecol. Obstet. 2023;162(2):669–675. doi: 10.1002/ijgo.14721

7. Patterson J.K., Thorsten V.R., Eggleston B., Nolen T., Lokangaka A., Tshefu A., Goudar S.S., Derman R.J., Chomba E., Carlo W.A., … Bauserman M. Building a predictive model of low birth weight in lowand middle-income countries: a prospective cohort study. BMC Pregnancy Childbirth. 2023;23(1):600. doi: 10.1186/s12884-023-05866-1

8. Sanchez-Martinez S., Marti-Castellote P.M., Hoodbhoy Z., Bernardino G., Prats-Valero J., Aguado A.M., Testa L., Piella G., Crovetto F., Snyder C., … Bijnens B. Prediction of low birth weight from fetal ultrasound and clinical characteristics: a comparative study between a lowand middle-income and a high-income country. BMJ Glob. Health. 2024;9(12):e016088. doi: 10.1136/bmjgh-2024-016088

9. Dülger Ö., Dursun A., Osmanoğlu U. Fetal birth weight estimation with machine-learning techniques in 15-40 weeks of pregnancy. Van. Med. J. 2024;31(3):186–191.

10. Ranjbar A., Montazeri F., Farashah M.V., Mehrnoush V., Darsareh F., Roozbeh N. Machine learning-based approach for predicting low birth weight. BMC Pregnancy Childbirth. 2023;23(1):803. doi: 10.1186/s12884-023-06128-w