Разработка прогностических моделей для доношенных детей с низкой массой тела при рождении

Группа исследователей из Китая разработала десять алгоритмов машинного обучения, предназначенных для прогнозирования случаев низкой массы тела младенцев при рождении (НМТН), что является значимым фактором риска осложнений здоровья и даже смертности среди детей. Результаты исследования опубликованы в журнале BMC Pediatrics.

Исследователи проанализировали перинатальные факторы матери, влияющие на риск развития НМТН. Среди выявленных факторов наиболее важными оказались: материнские факторы высокого риска, низкий ИМТ, повышенный уровень триглицеридов, высокий уровень альбумина, повышенный уровень гомоцистеина, низкий уровень ЛПВП и высокий уровень ЛПНП.

Эти переменные были использованы для построения десяти разных моделей машинного обучения, включая Gradient Boosting Machines (GBM), Adaptive Boosting (AdaBoost), Extreme Gradient Boosting (XGBoost), Logistic Regression и другие.

Наиболее эффективную производительность продемонстрировала модель GBM, показавшая точность около 91,5% в тестовом наборе данных и стабильность результатов.

Кроме того, была разработана веб-программа на платформе Shiny, позволяющая врачам быстро оценивать вероятность низкого веса новорожденного путем ввода соответствующих клинических показателей.

Авторы подчеркнули клиническую значимость модели, утверждая, что ее внедрение позволит значительно повысить качество диагностики и лечения беременных женщин с высоким риском рождения ребенка с низким весом. Раннее выявление рисков и своевременное вмешательство могут существенно снизить заболеваемость и смертность среди новорожденных.

Несмотря на высокие показатели точности, авторы отметили ряд ограничений:

• Необходимость регулярной калибровки модели ввиду изменений состава населения и доступности медицинских услуг.

• Возможные трудности интеграции системы с существующими электронными медицинскими системами.

• Недостаточная проверка модели на межцентровой выборке, что требует дальнейшего тестирования в условиях многоцентровых исследований.

Источник:

Chen, L., Shao, H., Zhang, J. et al. Developing predictive models for full-term low birth weight infants using ten machine learning algorithms. BMC Pediatr 25, 820 (2025). https://doi.org/10.1186/s12887-025-06186-3