《Healthcare》:Artificial Intelligence for Neonatal and Perinatal Mortality Prevention: A Systematic Review of Machine Learning and Deep Learning Applications
编辑推荐:
背景与目标:孕产妇、围产期及新生儿死亡仍是全球重大公共卫生挑战,每年约导致250万新生儿死亡,其中中低收入国家(LMICs)负担尤为沉重。尽管人工智能(AI)——涵盖机器学习(ML)与深度学习(DL)——日益广泛地支持医疗决策,但针对其在预防产前死亡、早产及新
背景与目标:孕产妇、围产期及新生儿死亡仍是全球重大公共卫生挑战,每年约导致250万新生儿死亡,其中中低收入国家(LMICs)负担尤为沉重。尽管人工智能(AI)——涵盖机器学习(ML)与深度学习(DL)——日益广泛地支持医疗决策,但针对其在预防产前死亡、早产及新生儿死亡领域应用的系统性综合研究仍显匮乏。本研究旨在系统梳理该领域的当前研究现状。方法:采用结合Massaro协议与PRISMA 2020指南的结构化文献综述(SLR)框架开展研究。检索数据库包括Scopus、IEEE Xplore及Google Scholar,使用领域特异性关键词进行检索。从识别出的459篇出版物中,经四步筛选与质量评估流程,最终纳入2018至2024年间发表的46篇同行评审研究。随后进行了文献计量学与主题分析。结果:纳入研究中,ML技术占比71.7%,DL方法占28.3%。新生儿死亡预测是最受关注的结局指标(占文献总量的34.7%)。研究地域分布集中于欧洲(39.1%)与北美(30.4%),而拉丁美洲与撒哈拉以南非洲虽面临极高死亡负担,相关研究却极为稀缺。主要障碍包括临床记录非标准化、卫生信息系统互操作性有限,以及训练数据集中LMIC人群的代表性不足。结论:AI通过预测性分析在降低孕产妇与新生儿死亡率方面展现出显著潜力,但仍存在重要的地理与方法学缺口。未来研究应优先考虑构建包容性数据集,并开发适配资源受限医疗环境的预测框架。
- 1.
引言
新生儿死亡是全球公共卫生领域最紧迫的挑战之一,每年约240万新生儿在出生后28天内死亡,占5岁以下儿童总死亡数的近47%。联合国2030年可持续发展议程通过可持续发展目标(SDGs)应对此危机,其中SDG 3(良好健康与福祉)设定了到2030年将各国新生儿死亡率降至每1000例活产至少12例的具体目标。尽管全球取得进展,但在大部分LMICs,由于卫生系统的结构性障碍持续阻碍及时临床干预,该目标仍未实现。SDG 3相关指标揭示了全球目标与当前结局间的持续差距:全球新生儿死亡率为19.7‰,区域差异显著,撒哈拉以南非洲与南亚占全球新生儿死亡的80%以上。拉丁美洲虽在过去二十年死亡率有所下降,但产前护理、专科产科服务及新生儿重症监护室获取的不平等仍导致可预防死亡的发生。这些数据凸显了对数据驱动决策支持工具的迫切需求,以助力卫生机构早期识别高危新生儿并实施针对性预防策略。
预防新生儿死亡具有内在复杂性,需在往往碎片化、资源不足且协调不佳的卫生系统中及时识别高危妊娠。临床上,新生儿风险由母体合并症、产科史、产时并发症及早产期指标等多因素交互作用形成,而这些因素很少被整合采集。在LMICs,标准化临床数据的缺失、专科产科护理的可及性有限及系统性预警方案的缺位进一步加剧了这一挑战。数据科学工具——涵盖从机器学习到深度学习(见图2)——已成为支持早期风险识别的新兴策略。然而,在此临床背景下应用这些工具并非易事:记录异质且不平衡、新生儿死亡事件的罕见性引入分类偏倚,且大量可用算法(见图3)需谨慎选择以平衡预测性能与临床可解释性。
尽管全球卫生与AI研究投入持续增长,可预防的新生儿死亡依然存在,这表明现有解决方案尚未转化为大规模有效预防。本研究的系统评价显示,多数已发表工作聚焦于孤立的预测模型而非整合的预防框架。虽然深度学习架构展现了技术潜力,但其临床采纳受限于可解释性局限及最需要预防地区的数据稀缺。地理分布上,研究基础严重偏向高收入国家,导致拉丁美洲与撒哈拉以南非洲卫生系统缺乏适配其现实情况的证据。核心缺口在于缺乏通过预防视角系统梳理研究现状、并引导未来研究面向最需人群的结构化循证综合。
为填补此缺口,本研究遵循Massaro协议开展结构化综述。检索策略结合了Scopus、IEEE Xplore和Google Scholar中与AI、ML、DL、围产期死亡、新生儿死亡及孕产妇死亡相关的术语,限定2018-2024年发表文献。纳入标准要求研究需提出或评估应用于孕产妇、围产期或新生儿死亡结局的计算预测模型,并使用结构化临床数据。数据提取围绕五个分析维度展开:(1)所用ML算法;(2)临床数据集及其地理来源;(3)目标预测结局;(4)报告的性能指标;(5)识别的局限性与研究缺口。此结构化提取框架支持对研究现状的比较分析,并为该领域未来研究提供循证建议。
本工作的贡献主要体现在三方面。首先,提供了2018-2024年间发表于三大主要科学数据库的46篇同行评审研究中,ML应用于孕产妇、围产期及新生儿死亡预测的全面且最新的图谱绘制。其次,沿算法、数据集、地理背景、预测结局及性能指标五个维度开展了结构化比较分析,综合了研究现状,并揭示了当前方法中持续存在的局限性,包括地理偏倚、可重复性不足及临床验证不充分。第三,提出了一套循证建议,明确了在LMIC卫生系统中开发稳健、可解释且情境适配的预测模型的优先研究方向。综上,这些贡献旨在为研究人员与卫生信息学从业者设计下一代新生儿与围产期护理决策支持工具提供坚实基础。
本文其余部分组织如下:第2节描述遵循Massaro协议的系统检索策略与文献筛选流程,包括完整的检索字符串、纳入排除标准及四步筛选程序。第3节呈现文献计量与内容分析结果:3.1节表征文献中识别的预测算法家族与临床数据源;后续小节涵盖时间演变、地理分布、引用模式及跨临床场景的ML与DL方法结构化比较。第4节讨论AI应用于新生儿死亡预防的关键挑战,包括数据质量约束、模型泛化性及标准化数据集的缺失。第5节概述未来研究的优先缺口与循证建议,包括对综述模型的技術就绪水平(TRL)评估(5.3节)及面向临床部署的可解释AI(XAI)方法专项分析(5.4节)。第6节探讨AI应用于新生儿与围产期护理的伦理考量,包括数据隐私、算法偏见及治理框架。第7节总结主要结论及下一代新生儿与围产期护理预测系统的优先发展方向。
- 2.
研究方法
2.1 检索策略与数据库选择
本综述遵循Massaro协议开展,该协议是针对计算与信息系统研究领域系统文献综述的结构化框架,同时依据PRISMA 2020指南报告以增强透明度与可重复性。两者互为补充:Massaro协议规范综述执行过程(检索策略设计、数据库选择、适配计算研究标准的质量过滤),PRISMA 2020则规范报告过程(透明度、可重复性与偏倚风险评估披露)。本综述应用的四步过滤流程(去重、时间过滤、相关性过滤、质量与可信度过滤)直接对应Massaro的识别与质量评估阶段,并同步记录于PRISMA 2020流程图(见图4)。检索覆盖Scopus、IEEE Xplore与Google Scholar三个主要学术数据库,因其覆盖范围互补:Scopus提供广泛的多学科索引,涵盖生物医学与工程领域;IEEE Xplore覆盖与ML/DL应用最相关的核心计算机科学与工程文献;Google Scholar补充会议论文集、预印本及来自LMIC新兴研究团队的成果,这些成果在订阅制数据库中代表性不足。
未将PubMed/MEDLINE作为主要数据库需明确说明:本综述遵循Massaro协议,该框架专为计算与信息系统研究的系统文献综述设计,其核心分析对象是算法或计算贡献而非临床试验或流行病学研究。PubMed/MEDLINE针对生物医学与临床研究优化,其索引标准与医学主题词(MeSH)词汇难以有效识别以预测模型为核心贡献而非临床干预的AI/ML研究。相比之下,Scopus索引了大多数MEDLINE收录期刊及计算科学文献,使其成为跨越两个领域的更合适主要来源。此外,Google Scholar广泛补充了Scopus与IEEE Xplore未检索到的PubMed收录的生物医学出版物。尽管如此,仍需承认排除PubMed作为主要数据库可能引入了倾向于工程导向出版物、牺牲临床验证研究的轻微偏倚,此点将在第7节作为局限性讨论。检索于2024年12月执行,围绕两个主题轴构建,使用布尔运算符组合:技术轴涵盖ML与DL术语;医学轴涵盖围产期与新生儿死亡结局。为确保全面覆盖,每个数据库执行两个并行查询——一个聚焦ML(查询A),一个聚焦DL(查询B)——结果随后合并去重。各数据库应用的完整布尔检索字符串见表1。六个查询在去重前共产生459条记录,结果随后跨数据库及查询A/B间合并去重。
2.2 文献筛选流程
文献筛选包含初始去重步骤及随后的四个递进过滤步骤,如表2与图4所示。从三个数据库初步识别的459条记录中,移除326条重复记录后,保留133条独特记录。后续的纳入排除标准将此池缩减至46篇最终出版物。第一步:在Scopus、IEEE Xplore和Google Scholar执行高级检索,初步识别459条记录。去除数据库间及ML/DL并行查询间的重复项后,保留133条独特记录(94条来自ML查询,39条来自DL查询)。第二步:应用出版年份过滤器,仅保留2018-2024年间发表的研究。排除2018年前文献的原因是该临床领域的深度学习文献主要为近期成果,纳入早期研究会系统性偏向传统ML技术,无法代表当前DL方法。此步骤将池缩减至79篇出版物。第三步:评估剩余79篇出版物与预防围产期、早产及新生儿死亡的直接相关性。排除仅聚焦产后治疗方案、无预测建模的流行病学监测或与计算预测无关的临床建议的研究。此步骤将池缩减至63篇出版物。第四步:应用质量与可信度过滤,排除方法学严谨性不足、数据来源不明或存在抄袭风险的出版物。仅保留来自公认索引期刊或会议论文集的出版物。应用最终过滤后,入选46篇出版物,占去重后独特记录的34.6%(或约占初始识别459条记录的10.0%)。四个过滤步骤共丢弃65.4%的独特记录:40.6%在第二步,12.0%在第三步,12.7%在第四步。
筛选完成后,按出版商(表3)、出版物类型(表4)及主题(表5)对出版物进行分类,并按表6描述提取结构化元数据。入选出版物的完整分类列表见表7。图5展示了46篇入选出版物作者的共引网络分析,节点代表作者,边表示论文间引用关系,节点颜色编码2018年(深蓝)至2023年(黄绿)的出版年份梯度。网络结构揭示了当前研究格局的两个决定性特征。首先,碎片化是主导模式:许多作者形成2-4人的小型孤立集群,与更广泛网络无连接,表明研究小组独立工作,未交叉引用彼此贡献。这种引用整合的缺乏暗示该领域尚未围绕共享方法框架或基准数据集形成共识。其次,一个中心互联集群——主要由2020-2022年间活跃的学者组成——显示出更高程度的相互引用,指向一个开始基于彼此工作构建的新兴核心研究者群体。在此中心群体内可识别出显著的地理集群,包括巴西作者(Alves, Luciana Correia, Beluzo)与东非作者(Mboya, Mahande),反映了第3节记录的 regional research initiatives。
2.3 临床数据源与质量评估
该领域预测模型的质量与可靠性直接取决于用于训练和验证的临床数据质量。对46篇入选出版物的分析揭示了三类主要数据源。出生登记与行政健康记录是最常用的数据源,见于巴西、坦桑尼亚、芬兰和韩国的多项研究。这些数据集通常包含人口统计学变量、孕周、出生体重和Apgar评分,但常缺乏实验室数值或产时监测数据等细粒度临床变量。此类来源的数据缺失率常超过15%-30%,需采用链式方程多重插补(MICE)或均值/众数替代等插补策略。电子健康记录(EHR)提供更丰富的变量覆盖,包括母体合并症、用药记录和生命体征,但带来了机构间异质性和编码规范不一致的挑战。多项综述研究指出,缺乏类似通用健康信息学HL7/FHIR的国际统一新生儿临床记录标准,是限制模型泛化的首要障碍。新生儿ICU环境中的可穿戴与监测设备生成连续时间序列数据(心率、SpO2、呼吸频率),主要被深度学习模型使用。这些来源提供高时间分辨率,但需要专门预处理流程处理噪声、信号伪影和设备间同步问题。
为解决数据质量问题,综述研究采用了一系列工具与技术:Python(3.6-3.11版)库——pandas(0.23-2.0版)、scikit-learn(0.19-1.3版)、imbalanced-learn(0.4-0.11版)用于预处理和类别不平衡校正(SMOTE);R(3.5-4.3版)包——mice(3.0-3.16版)、caret(6.0版)用于插补和模型评估;WEKA(3.8版)供低资源研究环境中非程序员使用。尽管付出这些努力,高质量临床数据集在欧洲和北美的地理集中仍是开发适用于拉丁美洲与撒哈拉以南非洲卫生系统模型的最显著局限。
- 3.
文献计量分析
3.1 识别的预测算法与模型
对46篇入选出版物的分析揭示了应用于新生儿、围产期及早产死亡预防的异构预测算法格局。主要算法家族包括:逻辑回归(LR),作为最常遇到的基线模型,通过公式P(y=1|x)=1/(1+e-βTx)建模二元结局概率,关键参数包括正则化类型(L1/L2)及其强度(C),输入特征通常包括孕周、出生体重、Apgar评分和母体合并症,报告准确率范围为75%-87%。随机森林(RF)是一种集成方法,通过在训练数据的自助样本上构建多棵决策树并通过多数投票聚合预测,关键参数包括树的数量(n_estimators)、最大深度(max_depth)和最小分裂样本数,其处理高维异质临床数据无需大量预处理的能力使其特别适合该领域,报告准确率范围为80%-93%。支持向量机(SVM)在变换后的特征空间中寻找最优分离超平面以最大化类别间隔,核函数(线性、RBF、多项式)允许非线性分类边界,关键参数为正则化常数C、核类型和gamma,已应用于早产分类,报告AUC值在0.78-0.91之间。梯度提升与XGBoost通过序列构建加法模型,每棵新树校正先前集成模型的残差误差,XGBoost通过加入正则化项和二阶梯度统计量提升效率,关键参数包括学习率(learning_rate)、树数量(n_estimators)、最大深度(max_depth)和子采样率(subsample),在围产期死亡任务中报告准确率范围为82%-94%。深度学习——多层感知机(MLP)与长短期记忆网络(LSTM):深度学习架构通过多层非线性变换处理临床数据,对于表格临床数据,MLP应用变换公式;对于时间序列生命体征数据(如新生儿ICU中的连续心率或氧饱和度监测),LSTM网络因门控机制能捕捉时间依赖性而被优先选用,关键参数包括层数、每层单元数、dropout率和优化器,基于LSTM的新生儿死亡率预测在ICU环境中报告准确率范围为85%-96%,尽管此性能高度依赖数据集规模与质量。
3.2 总体统计
系统检索流程最终筛选出46篇同行评审出版物。出版物类型分布(图6)显示期刊论文占主导(40篇,86.9%),会议论文占剩余6篇(13.1%)。预测技术应用方面(图7),机器学习技术出现在33项研究中(71.7%),而深度学习架构应用于13项研究(28.3%),证实了经典ML方法在该领域的总体优势。按医学范围分析(图8),三个临床领域分布均衡:新生儿死亡预测16项,围产期死亡15项,早产死亡15项。技术与医学范围的交叉列联表(图9)进一步揭示,ML最常用于新生儿死亡(ML+ND:13)和围产期死亡(ML+PD:12),而深度学习在早产死亡预测中相对集中(DL+PBD:7)。
3.3 时间演变
出版物的时间分布(图10)显示2018至2020年持续增长轨迹,2020年为峰值年份,共11篇出版物(9篇ML,2篇DL)。2021和2022年活动相对稳定(各9篇),2023年(4篇)和2024年(2篇)下降,后者可能反映检索时最近年份索引不完整。2018-2020年的扩张与大规模EHR存储库的可用性提升及开源机器学习框架的成熟相吻合。Koivu与Sairanen、Jaskari等人及Mboya等人的工作是此高峰时期被引最多的贡献,建立了稳健的ML基围产期风险分层基准,后续作者持续在此基础上构建。
3.4 地理分布
作者所属机构的地理分布如图11所示。欧洲以18篇出版物(39.1%)领先大陆产出,其次是北美14篇(30.4%)和亚洲12篇(26.1%)。非洲和南美各贡献1篇出版物(2.2%),突显了尽管LMICs承担了不成比例的全球新生儿与围产期死亡负担,但其研究代表性严重不足。国家层面(图12),美国是最多产的国家(14篇,30.4%),其次是英国(9篇,19.6%)。中国贡献4项研究(8.7%),德国、印度和瑞士各占3篇(6.5%)。芬兰贡献2篇出版物,孟加拉国、巴西、埃塞俄比亚、日本、荷兰、巴基斯坦、菲律宾和韩国各贡献1篇。这种集中于高收入英语国家的现象对模型泛化性和研究可及性具有直接影响。
数据集来源分析揭示了研究开展地与数据来源地之间的显著分歧。如图13所示,亚洲是数据集的主导来源(21个),远超非洲(7个)、欧洲(6个)、北美(6个)、南美(5个)和中美洲(1个)。国家层面(图14),巴西和印度并列领先的数据集提供国(各5个,10.9%),其次是孟加拉国、中国、英国和美国(各4个,8.7%),以及韩国和坦桑尼亚(各3个,6.5%)。这种模式值得注意:尽管出版物主要来自欧洲和北美,但底层数据集大量取自亚洲和南美临床环境——这种结构性脱节引发了关于数据主权、模型可迁移性及分析结果对所支撑人群代表性的质疑。
3.5 高被引著作与领先研究团队
在综述的46项研究中,被引次数最多的著作揭示了该领域的方法论基础。Kuhle等人以69次引用领先,其应用逻辑回归和随机森林预测早产风险。Lee等人以50次引用紧随其后,其研究应用深度学习模型从电子胎心监测信号检测早产。Houweling等人和Koivu与Sairanen分别贡献了具有影响力的ML围产期死亡预测模型,引用次数为40和42次。Fergus等人发表了两项高影响力工作(35和48次引用),涉及胎儿监测和围产期死亡分类。Luciana Correia和Beluzo等人呈现了三项应用于巴西背景下新生儿死亡预测的ML出版物——这是南美环境中为数不多的持续性研究团队之一。
领先研究团队主要隶属于美国、英国和芬兰的机构,这些地区的纵向EHR数据库和国家出生登记册支持了大规模模型开发。然而,作者合作网络(图5)显示跨区域合作仍然有限,地理集中的集群很少桥接高收入与低收入国家的研究团队。
3.6 出版商格局
如图15所示,46篇出版物分布在19家不同的出版商中。Elsevier和IEEE共同领跑,各占6篇出版物(13.0%),其次是PLOS San Francisco和Springer各4篇(8.7%)。BioMed Central、Cold Spring Harbor Laboratory Press、MDPI和美国国立医学图书馆各贡献3篇(6.5%)。美国医学会、Hindawi和Nature Publishing Group各占2篇(4.3%),BMJ出版集团、F1000 Research、韩国医学科学院、母胎医学、新生儿、牛津大学出版社、SAI组织和Taylor & Francis各贡献1篇(2.2%)。这种在生物医学工程、临床信息学和计算机科学场所的广泛分布证实了该领域的跨学科定位。
3.7 跨临床场景的ML与DL方法比较分析
综述语料库支持在三个识别的临床场景中对ML和DL范式进行结构化比较:新生儿死亡预测、围产期死亡预测和早产死亡预测。每种方法呈现不同的优势与局限,决定了其适用性取决于数据类型、临床背景和可用的计算基础设施。
3.7.1 新生儿死亡预测
ML主导此场景,占涉及新生儿死亡率的16项研究中的13项(81.3%)。随机森林、逻辑回归和梯度提升等算法已一致应用于源自EHR、出生登记册和国家生命统计数据库的结结构化表格数据。Mboya等人和Luciana Correia与Beluzo等人的研究表明,ML分类器在实现竞争性预测性能的同时,通过特征重要性排序保持了模型可解释性——这是临床环境中临床医生必须理解并信任模型输出的关键要求。然而,该场景中的ML模型对类别不平衡敏感(在大型队列中新生儿死亡是相对罕见的事件),并且需要从异质临床记录中进行细致的特征工程。
深度学习仅贡献了3项新生儿死亡预测研究。Alvi等人和Hsu等人分别将LSTM和MLP架构应用于新生儿ICU的时间序列生命体征数据,证明了DL在检测静态ML模型无法捕捉的时间恶化模式方面的优越能力。该子场景的主要局限是数据稀缺:深度学习模型需要大型、标记良好的数据集,这在NICU环境中,尤其是在低资源环境中,很少可用。
3.7.2 围产期死亡预测
围产期死亡率预测呈现类似模式,ML占15项研究中的12项(80%)。主要方法包括梯度提升和集成方法,这些方法在多变量EHR数据集(包含母体、产科和社会人口学特征)上表现出强劲性能。ML在此场景中的一个关键优势是其对缺失数据的鲁棒性——这是低收入国家围产期记录中的常见挑战——通过插补和基于树的缺失值处理等技术实现。
深度学习贡献集中于应用于成像数据(胎儿超声)和多模态记录的卷积及注意力架构。这些模型在检测母体合并症间复杂相互作用模式方面表现出更高的敏感性,但其可解释性仍然有限,引发了对其在产科决策中临床采纳的担忧。
3.7.3 早产死亡预测
这是深度学习实现最强相对存在的场景,占15项研究中的7项(46.7%),相比之下ML为8项。这种平衡反映了早产研究主要数据源的性质:胎心宫缩图(CTG)信号和胎儿心率时间序列本质上是序列性的和高维的。Fergus等人、Lee等人、Khatibi等人和Feng等人的研究表明,LSTM和CNN架构在CTG衍生特征上显著优于经典ML,在多个基准中达到0.90以上的AUC值。另一方面,Kuhle等人的研究表明,当数据为结构化(人群水平登记记录)时,随机森林和逻辑回归仍是具有竞争力且更具可解释性的替代方案。
因此,早产预测的权衡不仅仅是性能,更是数据模态:当输入为时间序列或信号数据时首选DL,而当输入为表格临床变量时,ML仍然适用——并且在可解释性和数据效率方面往往更优。
- 4.
数据科学应用于新生儿死亡预防的关键挑战
尽管本综述审视的研究数量不断增长,但ML和DL模型转化为预防新生儿死亡的有效临床工具仍然有限。以下小节分析了46篇综述研究中识别的主要障碍,围绕三个相互关联的维度组织:数据质量与隐私、模型泛化性及标准化临床数据集的缺失。
4.1 数据质量、完整性与隐私约束
临床数据的质量是决定新生儿死亡率预测模型可靠性的唯一最关键因素。对综述出版物的分析揭示了三个反复出现的数据质量问题。首先,新生儿临床记录中的数据缺失率常超过20%-35%,特别是母体实验室数值、产时监测指标和社会经济背景等变量。这些缺失并非随机——它们与低资源环境系统性相关,意味着插补策略无法完全补偿潜在的信息赤字。其次,标签噪声和编码不一致源于机构和跨国使用的异质性分类系统(ICD-9、ICD-10、SNOMED-CT),导致对“新生儿死亡”、“早期新生儿死亡”和“围产期死亡”等结局变量的定义冲突。第三,类别不平衡是该领域的结构性特征:新生儿死亡率通常在每1000例活产5至40例之间,这意味着死亡事件代表了标准算法倾向于低估的少数类别。综述研究中报告了SMOTE、类别加权和阈值优化等技术,但其有效性因数据集规模和构成而异。
隐私约束增加了另一层复杂性。新生儿护理中的临床数据受制于严格的监管框架——美国的《健康保险流通与责任法案》(HIPAA)、欧盟的《通用数据保护条例》(GDPR)及其他地区的等效国家立法——这些法规限制数据共享、限制跨机构访问,并要求可能降低可用变量粒度的去标识化协议。在LMICs,正式数据治理框架的缺失造成了相反的问题:数据收集不一致、以不可互操作格式存储,并因制度而非监管障碍无法用于研究。这些对比鲜明的现实——高收入国家过度监管与LMICs治理不足——共同促成了第3节记录的碎片化数据格局。
4.2 跨地区与人群的模型泛化性
本综述的一个关键发现是训练数据在高收入国家的地理集中,这严重限制了已发表模型向中低收入卫生系统的泛化能力。如第3节所示,69.6%的综述研究使用来自欧洲和北美的数据集,而SDG-3指标显示恶化最严重的拉丁美洲与撒哈拉以南非洲仅占识别训练数据集的不到15%。
这种地理偏倚具有直接的方法学后果。在资源充足的NICU数据上训练的模型,其特征是连续监测、实验室检测和专科产科护理成为标准的环境,所纳入的特征分布无法转移到这些资源不可用的环境。流行病学特征也存在显著差异:在撒哈拉以南非洲,新生儿死亡与感染、出生窒息和熟练助产士照护有限的背景下的早产不成比例相关;在拉丁美洲,差异由社会经济不平等和专科护理获取不均塑造。一个未包含这些情境变量的模型将在最需要预测支持的群体中系统性表现不佳。此外,综述研究很少报告在地理上不同人群上的外部验证,使得仅凭公布的指标无法评估真实的泛化能力。
模型泛化性一个关键且未被充分探索的维度涉及LMICs,它们共同承担了全球80%以上的新生儿与围产期死亡负担,但在本综述识别的数据集中贡献不到5%。主要在芬兰、英国或韩国数据上训练的模型编码了高收入卫生系统的流行病学和基础设施现实,使其在LMICs的直接部署在方法学上存疑。一个值得注意的例外是Houweling等人的工作,其使用来自印度、尼泊尔和孟加拉国的人口监测数据开发了新生儿死亡率预测模型,证明当应用适当的变量选择和插补策略时,可以从资源受限环境中常规收集的数据构建校准良好的ML模型。
拉丁美洲卫生系统的具体案例清晰地说明了这一挑战。哥伦比亚、巴西和秘鲁等国运行着混合公私模式,其特征是碎片化的EHR应用、异质性编码标准以及产科护理获取方面显著的城乡差异。Alves、Luciana Correia和Beluzo等人的三篇出版物代表了使用巴西公共卫生数据开发ML模型的罕见但具启发性的例子,展示了新生儿死亡率预测中具有竞争力的性能,同时也暴露了拉丁美洲背景下固有的数据异质性挑战。持续投资于区域代表性数据集和本地验证的预测框架,对于缩小死亡率最高地区与预测研究最集中地区之间的差距至关重要。
4.3 缺乏数据集标准化的影响
缺乏统一的国际新生儿临床数据标准被本综述认定为该领域进展中最具结构性的障碍。不同于放射学领域(DICOM和ImageNet衍生基准支持模型比较)或通用临床信息学领域(HL7/FHIR框架促进互操作性),新生儿死亡率预测缺乏共享数据模式、一套通用最小变量集或可用于系统比较模型的公开基准数据集。
这一缺口的后果深远。首先,可重复性受到严重制约:每个研究小组定义自己的特征集、结局变量和预处理流程,使得跨研究直接比较报告的性能指标在方法学上无效。一个在芬兰高度精选的单机构数据集上报告91%准确率的模型,无法与在孟加拉国基于人口的登记册上报告78%AUC的模型相提并论,但两者在文献中出现时并无通用评估框架。其次,累积性学习受阻:缺乏共享数据集,该领域无法在先前工作上增量构建——每项新研究实质上都是从零开始。第三,最受影响的群体在设计上被排除在外:标准化工作往往由高收入国家机构主导,意味着它们定义的变量集反映了自身环境的数据可用性,而非LMICs的临床现实。
4.4 提出的解决方案:迈向标准化全球数据库
解决上述挑战需要在临床信息学、全球卫生政策和机器学习研究的交叉点采取协调行动。基于本综述综合的证据,提出了三个互补的方向。
4.4.1 采用新生儿临床数据互操作性标准
国际采纳HL7/FHIR(快速医疗互操作性资源)作为孕产妇和新生儿记录的强制性交换标准,将支持跨机构和跨国数据集聚合,而无需数据集中化。目前由HL7工作组开发的FHIR新生儿配置文件定义了包括孕周、出生体重、Apgar评分和死因编码在内的最小数据集,代表了通往全球互操作数据基础设施的可行路径。
4.4.2 扩展具有LMIC代表性的开放临床数据库
现有的开放存储库,如MIMIC-IV(PhysioNet/MIT)和世界卫生组织(WHO)全球卫生观察站,提供了重要的基础设施,但严重偏向高收入国家人群。区域卫生组织——包括拉丁美洲的泛美卫生组织(PAHO)和非洲疾控中心——处于协调开发反映其成员国流行病学和社会经济多样性的开放新生儿死亡率数据集的有利位置。数据引用标准和机构认可等激励机制将加速这一过程。
4.4.3 联邦学习作为隐私保护替代方案
在直接数据共享在法律或制度上不可行的情况下,联邦学习提供了一种技术上成熟的替代方案:模型在每个参与机构本地训练,仅将参数更新(而非原始数据)共享给中央聚合服务器。这种架构允许处于高隐私监管环境中的机构在不暴露患者记录的情况下为共享模型开发做出贡献,并使缺乏安全大规模数据传输基础设施的LMIC机构得以纳入。近期在相邻临床领域的几项研究已证明联邦方法用于死亡率预测任务的可行性,这为新生儿领域的未来工作指明了有前景的方向。
云计算基础设施代表了实施上述标准化和互操作性解决方案的赋能条件,特别是在资源受限的环境中。Google Cloud Platform(GCP)和Amazon Web Services(AWS)等平台提供托管服务,支持大规模临床数据集的存储、处理和联邦查询,而无需本地高性能计算基础设施。在围产期研究背景下,云环境支持跨多个机构或国家的出生登记数据聚合,在标准EHR导出数据上训练计算密集型的深度学习模型,并通过轻量级API端点在低带宽临床环境中部署推理管道。Koivu与Sairanen以及Rittenhouse等人的研究利用了人口规模登记处理管道,这隐含依赖于云级计算能力,表明即使未明确报告,云采用已是高质量围产期数据科学的的一项运营组成部分。未来研究应将云基础设施选择正式记录为可重复性协议的一部分,使LMICs的团队能够复现计算环境而无须高昂的硬件投资。
4.5 真实医疗环境中的实际应用
预测模型从研究环境向运营临床部署的转化仍然有限,但已在若干有文献记载的背景下开始出现。在综述的研究中,一部分提供了超越回顾性测试集验证的真实世界或接近临床应用的证据。
Koivu与Sairanen部署了一个与芬兰国家出生登记册集成的梯度提升模型,展示了在实时临床数据环境中对不良围产期结局的前瞻性风险分层。其管道直接与现有电子健康记录基础设施接口,阐明了一条无需专用硬件即可实现运营集成的可行路径。同样,Ogallo等人使用常规收集的产前护理数据,为撒哈拉以南非洲卫生机构开发了一个决策支持原型,明确设计为在连接有限和非专科临床工作人员的环境下部署——证明预测工具可适应现实世界的LMIC约束运行。在更广泛的资源有限环境中,Rittenhouse等人应用机器学习,利用赞比亚初级保健机构可用的低成本临床评估改进早产儿识别,代表了一项针对高死亡率背景的直接临床转化努力。
在新生儿重症监护中,Striano与Minetti以及Hsu等人将深度学习模型应用于NICU环境中的连续生理监测流,其中预测近乎实时生成以支持护理干预决策。Sheikhtaheri等人进一步在多家伊朗医院验证了NICU死亡率预测模型,提供了语料库中少有的多站点外部验证示例之一。这些应用凸显了运营工具的一个关键设计要求:延迟、可解释性和警报阈值不仅需针对统计性能校准,还需针对临床工作流程整合和临床医生信任进行校准。
尽管有这些例子,大多数综述研究并未报告前瞻性验证、临床试点结果或与医院信息系统的集成。不到15%的语料库包含超出原机构数据集的任何形式的外部验证。弥合这一研究与实践的鸿沟需要数据科学家、临床信息学家和卫生监管者之间的结构化协作,以及采用强制执行模型开发与评估透明度的标准化报告框架。
- 5.
未来研究方向
本系统评价的 findings 不仅揭示了AI(特别是ML和DL)在围产期死亡预防中的应用现状,还定义了一系列构建该领域发展轨迹的研究缺口。本节基于46篇综述研究中持续观察到的局限性,确定优先方向。
5.1 混合ML-DL模型与新兴数据源
第3.7节的比较分析表明,ML和DL方法展现出互补优势:ML在处理结构化表格EHR数据时表现优异且输出可解释,而DL在处理诸如胎心宫缩图等序列信号数据时性能更佳。一个自然的延伸是开发在同一预测框架内结合两种范式的混合架构,其中DL组件处理原始生理信号,而ML层整合结构化临床协变量。尽管此类混合管道在相邻临床领域显示出前景,但在围产期背景下仍基本未被探索。
可穿戴与远程监测技术是第二个具有变革潜力的新兴数据源,特别是在获得院内监测机会有限的LMICs。能够连续监测胎儿心率和母体SpO2的设备现已以便利于社区卫生工作者部署的成本提供。将可穿戴衍生的时间序列数据与结构化临床记录整合,将大幅扩展对高危妊娠的观测范围,超越医院就诊,实现更早的风险分层。然而,信号质量变异性、跨人群设备校准以及缺乏可穿戴输出的标准化数据格式,需要在这些来源可靠纳入已验证预测模型之前进行专门的研究投入。
5.2 系统评价识别的优先研究缺口
对46篇出版物的系统分析揭示了六个代表未来调查高优先级目标的具体研究缺口。
5.2.1 缺口1——回顾性主导与前瞻性多站点验证的需求
综述语料库一个根本且未被充分重视的局限是近乎普遍依赖回顾性数据集。在46项纳入研究中,所有模型均在模型开发前收集的数据上进行训练和评估——通常来自行政出生登记册、医院出院记录或涵盖特定历史时期的EHR快照。虽然回顾性验证是模型开发的必要第一步,但由于两个结构性原因,它不足以确立临床准备度。
首先,回顾性数据反映了过去几年的临床实践、文档习惯和患者人群。一个在2015-2020年记录上训练的模型可能在同期保留测试集上表现良好,但在2025年部署时可能失败,因为患者 acuity 特征、治疗方案和编码标准可能已发生转变——这种现象被称为时间分布偏移。没有一篇综述研究明确评估时间稳定性或报告同一数据集内不同日历年队列的模型性能。
其次,回顾性单机构验证无法提供跨临床背景的泛化性证据。一个在芬兰三级NICU记录上达到AUC 0.87的模型,对坦桑尼亚地区医院记录的性能揭示甚少,后者的患者人口统计学、孕周分布、可用实验室测试和文档完整性存在显著差异。没有综述研究报告多站点或多国外部验证。
前瞻性验证——将拟合模型应用于到达的患者,并前瞻性地观察结局——是预测模型最严格的临床评估形式。前瞻性研究实时捕捉分布偏移,允许临床医生与模型输出互动并生成反馈数据,并为监管机构(如美国食品药品监督管理局FDA和欧洲药品管理局EMA)对临床决策支持软件分类提供所需的证据基础。从回顾性概念验证向前瞻性临床试验的转化是整个综述文献中最关键且最被忽视的转化缺口。
因此,该领域未来研究必须优先考虑:(1)至少在一家活跃NICU或产科病房开展前瞻性试点研究,预设结局监测与临床医生反馈收集;(2)覆盖至少两个不同国家收入水平机构的多站点验证;(3)将时间验证(在年份t至t+k训练,在年份t+k+1测试)作为所有发表模型的标准报告要求。
5.2.2 缺口2——LMIC本土数据集开发
没有综述研究报告了在拉丁美洲背景下为围产期死亡预测构建专用临床数据集。对这些地区纵向队列研究的投入是公平模型开发的先决条件。
5.2.3 缺口3——临床部署中的可解释性与可解释AI(XAI)
不到20%的研究正式评估模型解释是否影响临床医生决策。这是一个关键缺口:在新生儿ICU等高 stakes 临床环境中,临床医生对AI风险评分的接受度不仅取决于其预测准确性,还取决于其推理能否被理解、审计和信任。一个没有解释的“黑箱”模型即使预测正确也不太可能被采纳,因为它无法融入临床推理或在其输出与临床判断冲突时受到质疑。
XAI领域提供了一套专门设计的后验解释方法以解决此缺口。SHAP(SHapley Additive exPlanations)基于合作博弈论将模型预测分解为特征级贡献,为任何ML模型(包括随机森林、梯度提升和集成分类器)产生一致且准确的解释。对于给定的新生儿入院,SHAP将识别哪些特征(如乳酸水平、Apgar评分、孕周)对预测死亡风险贡献最大,使主治医师能够验证模型推理是否符合生理学预期。LIME(Local Interpretable Model-agnostic Explanations)通过对个体预测周围复杂模型行为生成局部忠实的线性近似,使其适用于临床决策支持界面的实时部署。对于处理CTG或成像数据的可视化架构,Grad-CAM(Gradient-weighted Class Activation Mapping)和注意力可视化方法通过突出显示对给定预测最具影响力的输入区域,提供视觉解释,直接支持临床验证。
尽管这些工具可用,但46篇综述研究中没有一篇报告将SHAP、LIME或等效XAI框架整合到其预测管道中。未来研究必须将可解释性视为核心设计要求,而非可选附加项,特别是对于旨在部署于临床AI素养仍在发展且信任建立至关重要的LMIC卫生系统的模型。
5.2.4 缺口4——标准化结局定义
研究中“新生儿死亡”和“围产期死亡”的异质性定义阻碍了有意义的基准测试。未来研究方案应强制采用WHO和ICD-11标准化定义。
5.2.5 缺口5——联邦学习框架
尽管联邦架构具有良好记录的潜力,但没有综述研究实施联邦学习以实现隐私保护的多机构模型训练。联邦架构对于涉及具有限制性数据治理框架的LMICs的跨国合作尤为相关。
5.2.6 缺口6——与临床决策支持系统集成
综述语料库中缺乏与医院信息系统集成的报告,表明该领域尚未跨越从研究工具到临床仪器的门槛。需要临床医生、信息学家和监管者参与的结构化协同设计流程,以生产用于围产期护理的部署就绪预测系统。
5.3 综述模型的技術就绪水平(TRL)评估
为提供所综述研究临床成熟度的结构化视图,我们应用了最初由NASA开发、后被欧盟委员会采纳用于研究与创新计划的TRL框架