Систематический обзор прогностических моделей оценки риска осложнений беременности и их роль в оптимизации перинатальной помощи
DOI:
https://doi.org/10.37800/RM.2.2026.737Ключевые слова:
беременность, осложнения беременности, преэклампсия, преждевременные роды, гестационный сахарный диабет, прогнозирование, перинатальная помощьАннотация
Актуальность: Осложнения беременности, включая преэклампсию, преждевременные роды и гестационный сахарный диабет, остаются ведущими причинами материнской и перинатальной заболеваемости и смертности. Современные подходы к ведению беременности требуют перехода от универсальной модели к риск-ориентированному подходу, основанному на использовании прогностических моделей для ранней идентификации групп высокого риска.
Цель исследования – определить роль современных прогностических моделей оценки риска осложнений беременности в оптимизации перинатальной помощи.
Материалы и методы: Проведён систематический обзор литературы в базах данных PubMed, Scopus, Web of Science и Cochrane Library за период 2015-2025 гг. Отбор исследований осуществлялся в соответствии с рекомендациями PRISMA. В анализ включены оригинальные исследования и систематические обзоры, посвящённые разработке и валидации прогностических моделей осложнений беременности. Оценка качества выполнена с использованием инструмента PROBAST.
Результаты: В обзор включено 25 исследований. Установлено, что наиболее разработанными являются модели прогнозирования преэклампсии, демонстрирующие высокую прогностическую точность (AUC – до 0,85). Модели прогнозирования преждевременных родов характеризуются умеренной точностью (AUC 0,54-0,70), тогда как модели гестационного сахарного диабета показывают стабильные результаты (AUC 0,68-0,85). Наиболее высокую эффективность продемонстрировали комбинированные модели, включающие клинические параметры и биомаркеры, а также модели, основанные на методах машинного обучения (AUC – до 0,90).
Заключение: прогностические модели являются эффективным инструментом ранней диагностики осложнений беременности и позволяют оптимизировать перинатальную помощь на основе стратификации риска. Необходимы дальнейшие исследования, направленные на внешнюю валидацию и адаптацию моделей к условиям национальных систем здравоохранения.
Библиографические ссылки
1. World Health Organization. Maternal mortality [Internet]. Geneva: World Health Organization; 2025. Available from:
https://www.who.int/news-room/fact-sheets/detail/maternal-mortality
2. Crump C, Sundquist J, Sundquist K. Adverse Pregnancy Outcomes and Long-Term Mortality in Women. JAMA Intern Med. 2024 Jun 1;184(6):631-640.
https://doi.org/10.1001/jamainternmed.2024.0276
3. Van Calster B, Wynants L, Verbeek JFM, Verbakel JY, Christodoulou E, Vickers AJ, Roobol MJ, Steyerberg EW. Reporting and Interpreting Decision Curve Analysis: A Guide for Investigators. Eur Urol. 2018 Dec;74(6):796-804.
https://doi.org/10.1016/j.eururo.2018.08.038
4. O'Gorman N, Wright D, Syngelaki A, Akolekar R, Wright A, Poon LC, Nicolaides KH. Competing risks model in screening for preeclampsia by maternal factors and biomarkers at 11-13 weeks gestation. Am J Obstet Gynecol. 2016 Jan;214(1): 103.e1-103.e12.
https://doi.org/10.1016/j.ajog.2015.08.034
5. Rolnik DL, Wright D, Poon LC, O'Gorman N, Syngelaki A, de Paco Matallana C, Akolekar R, Cicero S, Janga D, Singh M, Molina FS, Persico N, Jani JC, Plasencia W, Papaioannou G, Tenenbaum-Gavish K, Meiri H, Gizurarson S, Maclagan K, Nicolaides KH. Aspirin versus Placebo in Pregnancies at High Risk for Preterm Preeclampsia. N Engl J Med. 2017 Aug 17;377(7):613-622.
https://doi.org/10.1056/NEJMoa1704559
6. De Kat AC, Hirst J, Woodward M, Kennedy S, Peters SA. Prediction models for preeclampsia: A systematic review. Pregnancy Hypertens. 2019 Apr; 16:48-66.
https://doi.org/10.1016/j.preghy.2019.03.005
7. Meertens LJE, van Montfort P, Scheepers HCJ, van Kuijk SMJ, Aardenburg R, Langenveld J, van Dooren IMA, Zwaan IM, Spaanderman MEA, Smits LJM. Prediction models for the risk of spontaneous preterm birth based on maternal characteristics: a systematic review and independent external validation. Acta Obstet Gynecol Scand. 2018 Aug;97(8):907-920.
https://doi.org/10.1111/aogs.13358
8. Bertini AM, Salas R, Chabert S, Sobrevia L, Pardo F. Using machine learning to predict complications in pregnancy. Front Bioeng Biotechnol. 2021;9:780389.
https://doi.org/10.3389/fbioe.2021.780389
9. Mennickent D, Rodríguez A, Opazo MC, Riedel CA, Castro E, Eriz-Salinas A, Appel-Rubio J, Aguayo C, Damiano AE, Guzmán-Gutiérrez E, Araya J. Machine learning applied in maternal and fetal health: a narrative review focused on pregnancy diseases and complications. Front Endocrinol (Lausanne). 2023 May 19; 14:1130139.
https://doi.org/10.3389/fendo.2023.1130139
10. O'Gorman N, Wright D, Poon LC, Rolnik DL, Syngelaki A, de Alvarado M, Carbone IF, Dutemeyer V, Fiolna M, Frick A, Karagiotis N, Mastrodima S, de Paco Matallana C, Papaioannou G, Pazos A, Plasencia W, Nicolaides KH. Multicenter screening for pre-eclampsia by maternal factors and biomarkers at 11-13 weeks' gestation: comparison with NICE guidelines and ACOG recommendations. Ultrasound Obstet Gynecol. 2017 Jun;49(6):756-760. Erratum in: Ultrasound Obstet Gynecol. 2017 Dec;50(6):807.
https://doi.org/10.1002/uog.17455
11. Yan C, Yang Q, Li R, Yang A, Fu Y, Wang J, Li Y, Cheng Q, Hu S. A systematic review of prediction models for spontaneous preterm birth in singleton asymptomatic pregnant women with risk factors. Heliyon. 2023 Sep 13;9(9):e20099.
https://doi.org/10.1016/j.heliyon.2023.e20099
12. Huang QF, Hu YC, Wang CK, Huang J, Shen MD, Ren LH. Clinical First-Trimester Prediction Models for Gestational Diabetes Mellitus: A Systematic Review and Meta-Analysis. Biol Res Nurs. 2023 Apr;25(2):185-197.
https://doi.org/10.1177/10998004221131993
13. Ayele AD, Azeze GG, Alemu BK, Wang Y, Wang CC. Evaluating the performance of maternal risk factors in predicting gestational diabetes mellitus: a systematic review and meta-analysis. BMJ Evid Based Med. 2025 Dec 23: bmjebm-2025-114065.
https://doi.org/10.1136/bmjebm-2025-114065
14. Bartsch E, Medcalf KE, Park AL, Ray JG; High Risk of Pre-eclampsia Identification Group. Clinical risk factors for pre-eclampsia determined in early pregnancy: systematic review and meta-analysis of large cohort studies. BMJ. 2016 Apr 19;353:i1753.
https://doi.org/10.1136/bmj.i1753
https://doi.org/10.1111/1471-0528.17983
15. Tan MY, Syngelaki A, Poon LC, Rolnik DL, O'Gorman N, Delgado JL, Akolekar R, Konstantinidou L, Tsavdaridou M, Galeva S, Ajdacka U, Molina FS, Persico N, Jani JC, Plasencia W, Greco E, Papaioannou G, Wright A, Wright D, Nicolaides KH. Screening for pre-eclampsia by maternal factors and biomarkers at 11-13 weeks' gestation. Ultrasound Obstet Gynecol. 2018 Aug;52(2):186-195.
https://doi.org/10.1002/uog.19112
16. World Health Organization. WHO recommendations on antenatal care for a positive pregnancy experience [Internet]. Geneva: World Health Organization; 2016. Available from:
https://www.who.int/publications/i/item/WHO-RHR-18.02
17. van Eekhout JCA, Becking EC, Scheffer PG, Koutsoliakos I, Bax CJ, Henneman L, Bekker MN, Schuit E. First-Trimester Prediction Models Based on Maternal Characteristics for Adverse Pregnancy Outcomes: A Systematic Review and Meta-Analysis. BJOG. 2025 Feb;132(3):243-265.
18. Wright D, Syngelaki A, Akolekar R, Poon LC, Nicolaides KH. Competing risks model in screening for preeclampsia by maternal characteristics and medical history. Am J Obstet Gynecol. 2015 Jul;213(1):62. e1-62. e10.
https://doi.org/10.1016/j.ajog.2015.02.018
19. Tiruneh SA, Vu TTT, Rolnik DL, Teede HJ, Enticott J. Machine Learning Algorithms Versus Classical Regression Models in Pre-Eclampsia Prediction: A Systematic Review. Curr Hypertens Rep. 2024 Jul;26(7):309-323.
https://doi.org/10.1007/s11906-024-01297-1
20. Saelmans A, Seinen T, Pera V, Markus AF, Fridgeirsson E, John LH, Schiphof-Godart L, Rijnbeek P, Reps J, Williams R. Implementation and Updating of Clinical Prediction Models: A Systematic Review. Mayo Clin Proc Digit Health. 2025 May 23;3(3):100228. https://doi.org/10.1016/j.mcpdig.2025.100228
21. Roberge S, Bujold E, Nicolaides KH. Aspirin for the prevention of preterm and term preeclampsia: systematic review and metaanalysis. Am J Obstet Gynecol. 2018 Mar;218(3):287-293.e1.
https://doi.org/10.1016/j.ajog.2017.11.561
22. Zakiyah N, Tuytten R, Baker PN, Kenny LC, Postma MJ, van Asselt ADI; IMPROvED Consortium. Early cost-effectiveness analysis of screening for preeclampsia in nulliparous women: A modelling approach in European high-income settings. PLoS One. 2022 Apr 21;17(4):e0267313.
https://doi.org/10.1371/journal.pone.0267313
23. Moons KGM, Wolff RF, Riley RD, Whiting PF, Westwood M, Collins GS, Reitsma JB, Kleijnen J, Mallett S. PROBAST: A Tool to Assess Risk of Bias and Applicability of Prediction Model Studies: Explanation and Elaboration. Ann Intern Med. 2019 Jan 1;170(1):W1-W33.
https://doi.org/10.7326/M18-1377
24. Wynants L, Van Calster B, Collins GS, Riley RD, Heinze G, Schuit E, Bonten MMJ, Dahly DL, Damen JAA, Debray TPA, de Jong VMT, De Vos M, Dhiman P, Haller MC, Harhay MO, Henckaerts L, Heus P, Kammer M, Kreuzberger N, Lohmann A, Luijken K, Ma J, Martin GP, McLernon DJ, Andaur Navarro CL, Reitsma JB, Sergeant JC, Shi C, Skoetz N, Smits LJM, Snell KIE, Sperrin M, Spijker R, Steyerberg EW, Takada T, Tzoulaki I, van Kuijk SMJ, van Bussel B, van der Horst ICC, van Royen FS, Verbakel JY, Wallisch C, Wilkinson J, Wolff R, Hooft L, Moons KGM, van Smeden M. Prediction models for diagnosis and prognosis of covid-19: systematic review and critical appraisal. BMJ. 2020 Apr 7;369:m1328.
https://doi.org/10.1136/bmj.m1328
Erratum in: BMJ. 2020 Jun 3;369:m2204.
https://doi.org/10.1136/bmj.m2204
Update in: BMJ. 2021 Feb 3;372: n236.
https://doi.org/10.1136/bmj.n236
25. Riley RD, Ensor J, Snell KIE, Harrell FE Jr, Martin GP, Reitsma JB, Moons KGM, Collins G, van Smeden M. Calculating the sample size required for developing a clinical prediction model. BMJ. 2020 Mar 18;368:m441.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Ш.М. Мойынбаева , К.К. Куракбаев, Г.К. Калдыбаев, С.Е. Еркенова
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
Публикуемые в этом журнале статьи размещены под лицензией CC BY-NC-ND 4.0 (Creative Commons Attribution — Non Commercial — No Derivatives 4.0 International), которая предусматривает только их некоммерческое использование. В соответствии с этой лицензией пользователи имеют право копировать и распространять материалы, охраняемые авторским правом, но им не разрешается изменять или использовать их в коммерческих целях. Полная информация о лицензировании доступна по адресу https://creativecommons.org/licenses/by-nc-nd/4.0/.
