《The Lancet Digital Health》：A prognostic model for use at labour onset to estimate the risk of severe fetal compromise at birth: a retrospective, model development and validation study
编辑推荐：
中文翻译：在临产过程中，缺乏可靠的胎儿宫内状况风险评估与监测手段仍是全球范围内的重大临床挑战。胎心监护（cardiotocography, CTG）广泛用于监测胎儿心率，但其判读错误或临床升级处理延迟可导致不良分娩结局。研究人员旨在开发一种新型预后模型，将已知
中文翻译：在临产过程中，缺乏可靠的胎儿宫内状况风险评估与监测手段仍是全球范围内的重大临床挑战。胎心监护（cardiotocography, CTG）广泛用于监测胎儿心率，但其判读错误或临床升级处理延迟可导致不良分娩结局。研究人员旨在开发一种新型预后模型，将已知临床危险因素与最初20分钟CTG监测信息相结合，用于预测出生时胎儿严重受损的发生风险。在本项回顾性模型开发与验证研究中，研究人员使用了来自三个数据库的常规收集且完全匿名化的产科数据：John Radcliffe医院（英国牛津；1993–2024年；模型训练与测试）、Rosie医院（英国剑桥；2016–22年；外部验证）以及Stockholm–Gotland地区（瑞典；2018–20年；独立外部验证）。牛津和剑桥数据集取自产科及新生儿科电子健康档案；Stockholm–Gotland数据则作为更大规模Stockholm-Gotland围产期队列的一部分获取。研究纳入孕周≥36周+0天、接受产时CTG监测的单胎分娩，无论自然临产或引产。用于模型开发的临床危险因素包括产妇年龄、孕周、初产、子痫前期、妊娠期糖尿病、浓稠胎粪以及临产期间记录的最高母体体温。模型中包含的定量CTG特征包括胎心率基线、短期变异、减速能力、加速次数及延长减速次数，均通过牛津产时计算机算法提取。分娩结局被定义为三个互斥分组：严重受损、中度受损和健康。Fit4Labour风险评分（即严重受损的估计概率）被分为四个风险层级：Fit4Labour风险评分>第95百分位、>第85且≤第95百分位、>第25且≤第85百分位以及≤第25百分位。模型准确性通过部分受试者工作特征曲线进行评估，并与临床基准（15%筛查阳性率下的灵敏度）进行比较。研究共分析了147 350例具有至少20分钟CTG数据的分娩：牛津1993–2024年91 378例（其中73 443例用于训练与测试[牛津1993–2019]，17 935例用于内部验证[牛津2020–24]）、剑桥2016–22年14 709例（外部验证）以及Stockholm–Gotland 2018–20年41 263例（独立外部验证）。在所有验证数据集中，最高风险组（>第95百分位）的严重受损发生率均高于最低风险组（≤第25百分位）：牛津2020–24数据集中最高风险组为0·9%（95% CI 0·28–1·51），最低风险组为0·1%（0·01–0·21）；剑桥2016–22数据集中分别为0·3%（0·00–0·65）与0·1%（0·00–0·22）；Stockholm–Gotland 2018–20数据集中分别为0·9%（0·47–1·27）与0·2%（0·08–0·23）。在固定筛查阳性率为15%时，20分钟Fit4Labour的灵敏度为33·4%（95% CI 28·31–38·56），而临床基准灵敏度为39·9%（95% CI 32·59–47·18，p=0·18），且在所有验证数据集中表现一致。Fit4Labour是一种稳健的预后模型，可在临产启动时便捷应用，并已在具有不同产科人口学特征和临床实践场所的回顾性数据中得到广泛验证。Fit4Labour仅依赖常规可获得的数据，并能在实时条件下产生可解释的输出，提供数据驱动、客观且可重复的个体化风险分层。
论文解读
一、研究背景与意义
足月分娩过程中发生的胎儿丢失或缺血缺氧性脑损伤每年影响全球约300万例妊娠，在英国每1000例妊娠中约有3.47例受到影响。除了造成个体终身残疾的人力成本外，产时胎儿脑损伤相关的诉讼费用已超过英国产科护理本身的投入。大量不良结局源于临床无法可靠识别高危病例并进行分诊、胎心监护（cardiotocography, CTG）判读不准确、未能结合母胎危险因素整体评估CTG描记，以及临床团队内部和与家属之间风险沟通不畅，最终导致紧急分娩延误。CTG虽为产时胎儿心率监测的标准手段，但其判读具有高度主观性，即使专家之间也存在较大的观察者内和观察者间变异。单独使用CTG而不考虑可能调节胎儿缺氧效应的其他危险因素，进一步限制了其价值；同时过高的筛查阳性率也导致了不必要的干预。既往关于计算机化产时CTG分析的研究多聚焦于预测脐动脉酸血症或CTG描记的临床判读，二者均非胎儿宫内状态的可靠替代指标，且多基于小样本或病例对照设计，缺乏大规模研究。因此，亟需一种在临产开始时即可客观、无创、可重复地量化胎儿窘迫风险的工具。研究人员基于此背景开发并验证了Fit4Labour预后模型，该模型将临产启动时最初20分钟计算机化CTG分析与已知临床风险因素相结合，用于估计出生时胎儿严重受损的风险，以期改善产时分诊和临床决策。
二、研究方法概述
本研究为回顾性模型开发与验证研究，数据来源于英国John Radcliffe医院（牛津，1993–2024年；模型训练与测试）和Rosie医院（剑桥，2016–22年；外部验证），以及瑞典Stockholm–Gotland地区（2018–20年；独立外部验证）的电子健康档案。共纳入147 350例具有至少20分钟CTG数据、孕周≥36+0周的单胎产时CTG监测分娩。研究人员使用牛津产时计算机算法提取胎心率基线、短期变异、减速能力、加速次数和延长减速次数等定量CTG特征，并结合产妇年龄、孕周、初产、子痫前期、妊娠期糖尿病、浓稠胎粪和临产期间最高母体体温等临床风险因素，构建logistic回归模型。模型在牛津1993–2019数据上训练并测试，随后在牛津2020–24（内部验证）、剑桥2016–22（外部验证）和Stockholm–Gotland 2018–20（独立外部验证）三个数据集上进行验证。模型性能通过部分受试者工作特征曲线及15%固定筛查阳性率下的灵敏度进行评估，并与基于产时因疑似胎儿窘迫进行手术分娩率的临床基准进行比较。
三、研究结果
风险分层能力：在所有验证数据集中，最高风险组（>第95百分位）的胎儿严重受损发生率均高于最低风险组（≤第25百分位）。牛津2020–24数据集中最高风险组与最低风险组的严重受损发生率分别为0·9%（95% CI 0·28–1·51）与0·1%（0·01–0·21）；剑桥2016–22数据集中分别为0·3%（0·00–0·65）与0·1%（0·00–0·22）；Stockholm–Gotland 2018–20数据集中分别为0·9%（0·47–1·27）与0·2%（0·08–0·23）。提示模型能够在不同人群和时间段中一致地对胎儿严重受损风险进行梯度分层。
灵敏度与临床基准比较：在15%固定筛查阳性率下，20分钟Fit4Labour在牛津1993–2019训练测试数据集中的灵敏度为33·4%（95% CI 28·31–38·56），与临床基准灵敏度39·9%（95% CI 32·59–47·18，p=0·18）无显著差异。在三个验证数据集中，模型灵敏度分别为32·6%（牛津2020–24）、31·8%（剑桥2016–22）和31·5%（Stockholm–Gotland 2018–20），表现一致，能够在CTG监测开始后的最初20分钟识别约三分之一的胎儿严重受损病例。
早期预警时间优势：临床基准数据集中，从CTG监测开始至因疑似胎儿窘迫行手术分娩的中位时间为7·75小时（IQR 4·53–11·42），其中仅6·4%发生在监测开始后2小时内，0·9%在1小时内。而20分钟Fit4Labour在所有数据集中识别出的高风险临产距分娩的中位时间均超过8小时，表明模型在提供与数小时临床观察相当的灵敏度的同时，显著提前了风险识别时间。
手术分娩风险分层：模型对于手术分娩风险同样具有一致的分层能力。牛津2020–24数据集中，最低风险组手术分娩率为26·8%（95% CI 25·52–28·11），最高风险组为80·7%（78·13–83·30）；剑桥2016–22数据集中分别为23·1%（21·73–24·46）与67·7%（64·28–71·04）；Stockholm–Gotland 2018–20数据集中分别为3·0%（2·67–3·32）与39·2%（37·06–41·27）。无论各队列基线手术分娩率如何，高Fit4Labour风险组的操作分娩风险均显著升高。
稳健性与亚组分析：模型在保留测试集上未显示过拟合迹象。去除胎粪和母体体温变量后，模型表现仍保持稳健。按出生性别（p=0·86）和母体种族（p>0·99）进行的亚组分析未发现显著的模型性能差异，但受数据可用性限制，种族公平性仍需进一步研究。在严格的低假阳性率阈值下，剑桥2016–22数据集表现略逊，可能与该数据集缺少母体体温数据有关。
四、讨论与结论
Fit4Labour模型填补了当前产科护理中的一个关键缺口——当宫缩使产前CTG分析不再适用而临产尚未完全建立时的风险量化阶段。虽然临产是一个动态过程，后续急性事件可随时发生，但模型在临产开始时即可预测约三分之一的严重受损病例。英国的Each Baby Counts最终报告提示，足月脑损伤婴儿中约半数可能通过更好的监测和临床护理而改变结局，其中76%的可预防损伤与风险识别和升级处理失败相关。Fit4Labour提供了在临产开始时的数据驱动的客观风险分层，其灵敏度与临床基准相当，而识别时间显著提前。模型的局限性包括：回顾性数据无法完全反映不断变化的人口学特征和临床实践；种族数据稀缺；研究仅纳入高收入国家数据，可能不完全适用于中低收入国家；部分临床风险因素（如胎动减少、估计胎儿体重、母体血压和BMI）因常规数据中可用性不足而未能纳入。研究的优势在于使用超过14万例分娩的大规模常规收集数据，模型经过多中心、不同临床实践环境下的广泛外部验证，且仅依赖标准产科护理中常规记录的信息，易于整合至现有电子病历和中央监护系统。Fit4Labour作为目前首个在临产开始时预测胎儿严重受损的多中心验证预后模型，可为临床分诊、资源配置和医患共同决策提供实时、客观且可重复的个体化风险评估，但其临床效用仍需前瞻性研究进一步评估，模型与现有临床路径的最佳整合方式亦需后续探索。
