Дополнительная прогностическая ценность измерения биомаркеров во втором триместре беременности для прогнозирования преэклампсии в сроке до 37 недель в когорте российских женщин
Ившин А.А., Болдина Ю.С., Малышев Н.А.
Цель: Оценить дополнительную прогностическую ценность измерения биомаркеров (MAP, UtAPI, PlGF) во II триместре для прогнозирования преэклампсии в сроке до 37 недель (пПЭ) и сравнить дискриминацию, калибровку и клиническую полезность модели машинного обучения (ML) и алгоритма Fetal Medicine Foundation (FMF).
Материалы и методы: Многоцентровое ретроспективное когортное исследование на данных регистра беременных МАРС (внутренняя когорта: 7101 одноплодная беременность, 133 случая пПЭ; внешняя: 1325 беременностей, 24 случая пПЭ). Разработаны ML-модели I триместра (M2: 15 материнских факторов + 3 биомаркера) и I + II триместра (M4: +3 биомаркера T2). Проведено сравнение с алгоритмом FMF (T1, T2). Оценены AUC, калибровка, NRI, IDI, анализ кривых принятия решений, безопасность реклассификации.
Результаты: Биомаркеры II триместра значимо повысили дискриминацию: ΔAUC +0,025 (p=0,001) для ML, +0,031 (p<0,001) для FMF. ML M4 и FMF T2 эквивалентны по дискриминации (AUC 0,927 против 0,935; p=0,91), однако ML M4 превосходил FMF T2 по калибровке (O:E 1,00 против 0,81). Частота выявления при пороге 1:100: 89,5% (ML M4) и 88,0% (FMF T2). Более 99% понижений категории риска корректны. Внешняя валидация: AUC 0,897 (ML M4) и 0,905 (FMF T2).
Заключение: Измерение биомаркеров во II триместре значимо улучшает прогнозирование пПЭ. ML и FMF эквивалентны по дискриминации, но ML обеспечивает лучшую калибровку в когорте российских женщин. Результаты обосновывают проспективную оценку двухэтапного протокола скрининга пПЭ.
Вклад авторов: Ившин А.А. – концепция и руководство исследованием, экспертный анализ результатов, редактирование текста статьи; Болдина Ю.С. – написание текста статьи; Малышев Н.А. – анализ данных и математическое моделирование.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов.
Финансирование: Исследование выполнено за счет гранта Российского научного фонда № 24-25-00429,
https://rscf.ru/project/24-25-00429/.
Одобрение этического комитета: Исследование одобрено локальным этическим комитетом ФГБОУ ВО «Петрозаводский государственный университет», протокол № 18 от 20.03.2024.
Благодарности: Авторы выражают признательность профессору З.С. Ходжаевой, заместителю директора по научной работе Института акушерства ФГБУ НМИЦ АГП им. академика В.И. Кулакова, за фундаментальные работы по изучению гетерогенности преэклампсии, сформировавшие теоретическую основу настоящего исследования, и пионерские исследования по валидации алгоритмов прогнозирования преэклампсии в российской популяции, которые стали отправной точкой и методологическим ориентиром для данной работы.
Раскрытие использования ИИ: При подготовке статьи был использован Claude (Anthropic, модель Claude 3.5 Sonnet) для редакционно-стилистического сокращения объема рукописи. Полученный в результате контент был проверен, отредактирован и одобрен авторами. Авторы несут полную ответственность за достоверность содержания публикации.
Обмен исследовательскими данными: Обезличенные данные, использованные в настоящем исследовании, доступны по обоснованному запросу в соответствии с требованиями Федерального закона № 152-ФЗ «О персональных данных». Запросы направлять корреспондирующему автору (scipeople@mail.ru).
Для цитирования: Ившин А.А., Болдина Ю.С., Малышев Н.А. Дополнительная прогностическая ценность измерения биомаркеров во втором триместре беременности для прогнозирования преэклампсии в
сроке до 37 недель в когорте российских женщин.
Акушерство и гинекология. 2026; 4: 96-104
https://dx.doi.org/10.18565/aig.2026.51
Ключевые слова
преэклампсия
прогнозирование
машинное обучение
Fetal Medicine Foundation
плацентарный фактор роста
пульсационный индекс маточных артерий
калибровка
пренатальный скрининг
Список литературы
- Brown M.A., Magee L.A., Kenny L.C., Karumanchi S.A., McCarthy F.P., Saito S. et al. The hypertensive disorders of pregnancy: ISSHP classification, diagnosis & management recommendations for international practice. Pregnancy Hypertens. 2018; 13: 291-310. https://dx.doi.org/10.1016/j.preghy.2018.05.004
- Ходжаева З.С., Холин А.М., Вихляева Е.М. Ранняя и поздняя преэклампсия: парадигмы патобиологии и клиническая практика. Акушерство и гинекология. 2013; 10: 4-11.
- Министерство здравоохранения Российской Федерации. Клинические рекомендации. Преэклампсия. Эклампсия. Отеки, протеинурия и гипертензивные расстройства во время беременности, в родах и послеродовом периоде. 2024.
- Кан Н.Е., Беднягин Л.А., Долгушина Н.В., Тютюнник В.Л., Ховхаева П.А., Сергунина О.А., Тютюнник Н.В., Амирасланов Э.Ю. Клинико-анамнестические факторы риска развития преэклампсии у беременных. Акушерство и гинекология. 2016; 6: 39-44.
- Rolnik D.L., Wright D., Poon L.C., O'Gorman N., Syngelaki A., de Paco Matallana C. et al. Aspirin versus placebo in pregnancies at high risk for preterm preeclampsia. N. Engl. J. Med. 2017; 377(7): 613-22. https://dx.doi.org/10.1056/NEJMoa1704559
- Roberge S., Nicolaides K., Demers S., Hyett J., Chaillet N., Bujold E. The role of aspirin dose on the prevention of preeclampsia and fetal growth restriction: systematic review and meta-analysis. Am. J. Obstet. Gynecol. 2017; 216(2): 110-20.e6. https://dx.doi.org/10.1016/j.ajog.2016.09.076
- Wright D., Akolekar R., Syngelaki A., Poon L.C., Nicolaides K.H. A competing risks model in early screening for preeclampsia. Fetal Diagn. Ther. 2012; 32(3): 171-8. https://dx.doi.org/10.1159/000338470
- O'Gorman N., Wright D., Syngelaki A., Akolekar R., Wright A., Poon L.C. et al. Competing risks model in screening for preeclampsia by maternal factors and biomarkers at 11–13 weeks gestation. Am. J. Obstet. Gynecol. 2016; 214(1):103.e1-e12. https://dx.doi.org/10.1016/j.ajog.2015.08.034
- Wright D., Tan M.Y., O'Gorman N., Poon L.C., Syngelaki A., Wright A. et al. Predictive performance of the competing risk model in screening for preeclampsia. Am. J. Obstet. Gynecol. 2019; 220(2): 199.e1-e13. https://doi.org/10.1016/j.ajog.2018.11.1087
- Poon L.C., Shennan A., Hyett J.A., Kapur A., Hadar E., Divakar H. et al. The International federation of gynecology and obstetrics (FIGO) initiative on pre-eclampsia: a pragmatic guide for first-trimester screening and prevention. Int. J. Gynaecol. Obstet. 2019; 145(Suppl. 1): 1-33. https://dx.doi.org/10.1002/ijgo.12802
- Tiruneh S.A., Vu T.T.T., Moran L.J., Callander E.J., Allotey J., Thangaratinam S. et al. Externally validated prediction models for pre-eclampsia: systematic review and meta-analysis. Ultrasound Obstet. Gynecol. 2024; 63(5): 592-604. https://dx.doi.org/10.1002/uog.27490
- Холин А.М., Муминова К.Т., Балашов И.С., Ходжаева З.С., Боровиков П.И., Иванец Т.Ю., Гус А.И. Прогнозирование преэклампсии в первом триместре беременности: валидация алгоритмов скрининга на российской популяции. Акушерство и гинекология. 2017; 8: 74-84.
- Ranjbar A., Montazeri F., Ghamsari S.R., Mehrnoush V., Roozbeh N. Machine learning models for predicting preeclampsia: a systematic review. BMC Pregnancy Childbirth. 2024; 24(1): 6. https://dx.doi.org/10.1186/s12884-023-06220-1
- Андрейченко А.Е., Лучинин А.С., Ившин А.А., Ермак А.Д., Новицкий Р.Э., Гусев А.В. Разработка и валидация моделей прогнозирования общего риска преэклампсии и риска ранней преэклампсии с использованием алгоритмов машинного обучения в первом триместре беременности. Акушерство и гинекология. 2023; 10: 94-107.
- Ившин А.А., Малышев Н.А. Ранняя стратификация риска преэклампсии на основе мультипараметрической модели машинного обучения и рутинных клинических данных. Акушерство, гинекология и репродукция. 2026; 20(1): 111-29.
- Ходжаева З.С., Коган Е.А., Клименченко Н.И., Акатьева А.С., Сафонова А.Д., Холин А.М., Вавина О.В., Сухих Г.Т. Клинико-патогенетические особенности ранней и поздней преэклампсии. Акушерство и гинекология. 2015; 1: 12-7.
- Gallo D.M., Wright D., Casanova C., Campanero M., Nicolaides K.H. Competing risks model in screening for preeclampsia by maternal factors and biomarkers at 19–24 weeks' gestation. Am. J. Obstet. Gynecol. 2016; 214(5): 619.e1-e17. https://dx.doi.org/10.1016/j.ajog.2015.11.016
- Collins G.S., Reitsma J.B., Altman D.G., Moons K.G. Transparent Reporting of a multivariable prediction model for Individual Prognosis or Diagnosis (TRIPOD): the TRIPOD statement Ann. Intern. Med. 2015; 162(1): 55-63. https://dx.doi.org/10.7326/M14-0697
- Wright D., Syngelaki A., Akolekar R., Poon L.C., Nicolaides K.H. Competing risks model in screening for preeclampsia by maternal characteristics and medical history. Am. J. Obstet. Gynecol. 2015; 213(1): 62.e1-e10. https://dx.doi.org/10.1016/j.ajog.2015.02.018
- Riley R.D., Ensor J., Snell K.I.E., Harrell F.E., Martin G.P., Reitsma J.B. et al. Calculating the sample size required for developing a clinical prediction model. BMJ. 2020; 368: m441. https://dx.doi.org/10.1136/bmj.m441
- Van Calster B., McLernon D.J., van Smeden M., Bottolo L., Timmerman D., Steyerberg E.W. Calibration: the Achilles heel of predictive analytics. BMC Med. 2019; 17(1): 230. https://dx.doi.org/10.1186/s12916-019-1466-7
- Pencina M.J., D'Agostino R.B. Sr., D'Agostino R.B. Jr., Vasan R.S. Evaluating the added predictive ability of a new marker: from area under the ROC curve to reclassification and beyond. Stat. Med. 2008; 27(2): 157-72. https://dx.doi.org/10.1002/sim.2929
- Vickers A.J., Elkin E.B. Decision curve analysis: a novel method for evaluating prediction models. Med. Decis. Making. 2006; 26(6): 565-74. https://dx.doi.org/10.1177/0272989X06295361
- Riishede L., Wright A., Wright D., Petersen O.B., Nicolaides K.H. Evaluation of second-trimester screening for preterm pre-eclampsia by maternal factors and biomarkers in a Danish population: the PRESIDE study. Ultrasound Obstet. Gynecol. 2023; 62(5): 651-8. https://dx.doi.org/10.1002/uog.26274
- Холин А.М., Ходжаева З.С., Гус А.И. Патологическая плацентация и прогнозирование преэклампсии и задержки роста плода в первом триместре. Акушерство и гинекология. 2018; 5: 12-9.
- Ившин А.А., Багаудин Т.З., Гусев А.В. Прогнозирование преэклампсии с использованием технологий искусственного интеллекта. Акушерство, гинекология и репродукция. 2021; 15(5): 576-85.
- Ivshin A.A., Boldina Yu.S., Gusev A.V., Shtykov A.S., Vasilev A.S. Artificial intelligence on guard of reproductive health. Ad Alta, Journal of Interdisciplinary Research. 2022; 12(02): 325-9. https://dx.doi.org/10.33543/1202
Поступила 03.02.2026
Принята в печать 31.03.2026
Об авторах / Для корреспонденции
Ившин Александр Анатольевич, к.м.н., доцент, заведующий кафедрой акушерства и гинекологии, дерматовенерологии, Петрозаводский государственный университет, 185035, Россия, Республика Карелия, Петрозаводск, ул. Красноармейская, д. 31, +7(909)567-12-51, scipeople@mail.ru, https://orcid.org/0000-0001-7834-096XБолдина Юлия Сергеевна, старший преподаватель кафедры акушерства и гинекологии, дерматовенерологии, Петрозаводский государственный университет, 185035, Россия, Республика Карелия, Петрозаводск, ул. Красноармейская, д. 31; врач акушер-гинеколог, Республиканский перинатальный центр
им. Гуткина К.А., +7(981)405-85-24, ulia.isakova94@gmail.com, https://orcid.org/0000-0002-1450-650X
Малышев Никита Андреевич, аспирант по научной специальности «Информационно-измерительные и управляющие системы», преподаватель кафедры семейной медицины, общественного здоровья, организации здравоохранения, безопасности жизнедеятельности, медицины катастроф, Петрозаводский государственный университет, 185035, Россия, Республика Карелия, Петрозаводск, ул. Красноармейская, д. 31, +7(921)461-38-60, malyshev.nikita.2016@gmail.com,
https://orcid.org/0009-0005-2722-5976
Автор, ответственный за переписку: Александр Анатольевич Ившин, scipeople@mail.ru
Также по теме
