在肯尼亚的子痫前期女性群体中，子痫前期风险综合评估-机器学习模型（PIERS-ML）的性能研究——一项回顾性验证研究

《BMC Pregnancy and Childbirth》：Performance of the Pre-Eclampsia Integrated Estimate of Risk–Machine Learning (PIERS-ML) model in a Kenyan cohort of women with pre-eclampsia- a retrospective test derivation validation study

　　

摘要

研究目的

子痫前期是导致孕产妇患病和死亡的重要原因，分娩可促使病情缓解。子痫前期综合风险估计机器学习工具（PIERS-ML）能够提供个性化的风险评估，为患有子痫前期的妇女的决策提供帮助。该工具已在英国通过外部验证，而我们的目的是测试其在肯尼亚的表现。

研究设计

回顾性队列验证研究。

研究地点

肯尼亚内罗毕的两家三级医院。

研究对象

因子痫前期入院且尚未出现主要结局指标相关症状的妇女。

研究方法

通过分层能力、接收者操作特征曲线下面积（AUROC）、精确度-召回率曲线下面积（AUPRC）以及决策曲线分析来评估该工具的性能。

主要结局指标

PIERS工具所定义的主要结局指标，即入院48小时内发生孕产妇死亡或严重母体器官功能障碍的情况。

研究结果

在2,002名患子痫前期的妇女中，408人（20.4%）在入院48小时内出现了不良孕产妇结局（包括4例死亡），另有74人（3.7%）在入院3至7天内出现此类结局。大多数实验室检测指标存在较大缺失值，尤其是在公立医院。尽管如此，通过个体级插补仍能对模型进行评估。PIERS-ML具有较好的区分能力（AUROC为0.68，AUPRC为0.40），并能实现具有临床意义的分类：高风险妇女的结局发生率是普通妇女的两倍，其中一名极高风险的妇女出现了相应结局。决策曲线分析显示，相比全部治疗或完全不治疗，该工具能带来更大的净收益。缺失值的分布情况以及更严重的结局表明，肯尼亚的病例风险相对更高。

结论

在肯尼亚这一孕产妇患病率较高的群体中，PIERS-ML工具能够准确识别出患有子痫前期的妇女的个性化风险。