Оценка эффективности модели интегрированной оценки риска преэклампсии с машинным обучением (PIERS-ML) в кенийской когорте женщин с преэклампсией: ретроспективное исследование разработки и валидации

Цель: Преэклампсия является причиной значимой материнской заболеваемости и смертности, а родоразрешение приводит к ее разрешению. Инструмент Pre-eclampsia Integrated Estimate of RiSk-machine learning (PIERS-ML) позволяет индивидуализированно оценивать риск для совместного принятия решений у женщин с преэклампсией. Хотя он был внешне валидирован в Великобритании, нашей целью было проверить работу PIERS-ML в Кении.

Дизайн: Ретроспективное когортное валидационное исследование.

Условия: Две третичные больницы в Найроби, Кения.

Популяция: Женщины, госпитализированные с преэклампсией и не имевшие ни одного компонента основной конечной точки.

Методы: Качество прогноза оценивали по способности к стратификации, площади под ROC-кривой (AUROC), площади под кривой «точность–полнота» (AUPRC) и с помощью анализа кривых принятия решений.

Основная конечная точка: Любой компонент первичной исходной точки PIERS — материнская смерть или тяжелая материнская органная дисфункция в течение 48 ч после госпитализации.

Результаты: Среди 2002 женщин с преэклампсией у 408 (20,4%) неблагоприятный материнский исход развился в течение 48 ч после госпитализации, включая 4 смерти, а еще у 74 (3,7%) — между 3-м и 7-м днем. Для большинства лабораторных переменных, особенно в государственной больнице, пропуски были значительными. Тем не менее индивидуальная импутация позволила оценить модель. PIERS-ML продемонстрировала хорошую дискриминацию (AUROC 0,68; AUPRC 0,40) и клинически значимую стратификацию: у женщин высокого риска частота исходов была вдвое выше, а у единственной женщины очень высокого риска исход действительно возник. Анализ кривых принятия решений показал больший чистый выигрыш по сравнению со стратегиями «лечить всех» или «не лечить никого». Характер пропусков и более тяжелые исходы указывали на более высокий риск в кенийской выборке.

Вывод: В кенийской когорте с высокой материнской заболеваемостью инструмент PIERS-ML точно выявлял персонализированный риск у госпитализированных женщин с преэклампсией.