基于人工智能的妊娠结局预测模型开发与验证：一项多阶段研究

本研究针对传统预测模型在妊娠并发症（如早产、低出生体重、妊娠期糖尿病等）风险评估中的局限性，开发并验证了一种基于机器学习（ML）的人工智能（AI）应用。通过整合回顾性数据分析与前瞻性队列验证，研究构建了高特异性的预测模型（AUROC>0.85），为临床提供实时决策支持，有望提升母婴健康管理水平。

　　

妊娠期并发症如早产（Preterm Birth）、低出生体重（LBW）、妊娠期糖尿病（GDM）和子痫前期（Preeclampsia）严重威胁母婴健康，全球早产率高达9.9%，而传统预测模型因变量单一、准确性不足，难以满足临床需求。针对这一挑战，来自大不里士医科大学的研究团队在《Reproductive Health》发表了一项开创性研究，通过多阶段人工智能模型开发与验证，为妊娠风险管理提供了新工具。

研究采用三阶段设计：第一阶段从伊朗母婴系统（IMaN）和医院信息系统（HIS）提取2022-2024年分娩病例的回顾性数据；第二阶段运用随机森林（Random Forest）、XGBoost等算法构建预测模型；第三阶段通过550人前瞻性队列验证模型性能。关键技术包括k折交叉验证（k=10）、多变量插补处理缺失数据，以及基于Dash框架开发实时预测应用。

研究结果

1. 模型开发：XGBoost在预测早产（H₁
   ）和LBW（H₂
   ）中表现最优，特异性达92%，AUROC为0.89。
2. 特征分析：回顾性数据识别出BMI、妊娠史和血压为关键预测因子（CVI>0.8）。
3. 临床验证：前瞻性测试显示，GDM预测灵敏度为85%，子痫前期阴性预测值达94%。

结论与意义
该研究首次在伊朗本土化数据基础上构建了多并发症联合预测AI系统，其创新性体现在：① 整合IMaN系统数据解决区域特异性问题；② 采用Stacking集成方法提升模型泛化能力；③ 开发可视化预警界面（如红色高风险标识）。尽管存在样本偏倚风险，但该成果为资源有限地区的产前管理提供了可推广的解决方案，未来可通过扩大数据集进一步优化模型性能。研究团队强调，该应用应作为临床辅助工具（而非诊断标准），其伦理设计符合赫尔辛基宣言要求。