Автоматизированный алгоритм прогнозирования риска рефрактерных послеродовых кровотечений

Послеродовое кровотечение (ПРК) остается значительным фактором материнской смертности и заболеваемости во всем мире. Смертельные исходы, связанные с ПРК, можно потенциально предотвратить путем эффективного прогнозирования и профилактики. Методы профилактики ПРК разработаны, регламентированы клиническими рекомендациями и нашли широкое применение в большинстве стран мира. Однако на сегодняшний день не существует эффективной системы для выявления пациенток с высоким риском ПРК, которым необходимы более строгие и научно обоснованные превентивные меры. Цель. Разработать и оценить информативность компьютерной программы (КП) прогнозирования риска рефрактерных ПРК, основанную на оценке анамнестических, клинических и лабораторных показателей. Материалы и методы. Обработка данных и построение моделей проводились с использованием Python 3.12 и библиотек pandas, shap, xgboost, sklearn и mlxtend. На отобранных признаках обучены ансамблевые модели экстремального градиентного бустинга (XGBoost). С помощью метода SHAP оценен вклад каждого признака в предсказательную способность моделей, визуализированный на столбчатых диаграммах и графиках типа «рой пчел». Тестирование разработанных моделей проведено на независимой выборке из 556 женщин (дизайн исследования − сплошное поперечное одномоментное исследование). Результаты. В результате проведенного исследования с использованием имеющихся баз данных из 178 параметров были отобраны 9 клинико-анамнестических (возраст пациентки, возраст менархе, паритет родов, рубец на матке, экстренное кесарево сечение, один параклинический (локализация плаценты по передней стенке матки по данным ультразвукового исследования) и четыре лабораторных (уровни HB, Ht, АЧТВ, фибриногена) параметров. которые были положены в основу двух автоматизированных моделей КП для ЭВМ «Прогнозирования риска послеродовых кровотечений». В модели, основанной на оценке клинико-анамнестических параметров, наиболее значимыми были наличие рубца на матке и локализация плаценты по передней стенке матки. В модели, основанной на оценке клинико-лабораторных параметров, наибольшее значение имели уровни Hb и Ht. Заключение. Разработаны две достаточно информативные модели программы «Прогнозирование риска рефрактерного послеродового кровотечения», основанные на оценке клинико-анамнестических (AUC – 0,69) и клинико-лабораторных данных (AUC – 0,74), применение которых может способствовать корректной стратификации пациенток в группу высокого риска ПРК с целью более дифференцированного подхода к проведению профилактических мероприятий.

1. Mathewlynn S. J., Soltaninejad M., Collins S. L. Artificial Intelligence and Postpartum Hemorrhage. Matern. Fetal Med. 2025;7(1):22–28. https://doi.org/10.1097/FM9.0000000000000257

2. Liu L.Y., Nathan L., Sheen J. J., Goffman D. Review of current insights and therapeutic approaches for the treatment of refractory postpartum hemorrhage. Int. J. Womens Health. 2023;15:905–926. https://doi.org/10.2147/IJWH.S366675

3. Артымук Н. В., Артымук Д. А., Апресян С. В., Марочко Т. Ю., Аталян А. В., Шибельгут Н. М. и др. Клинико-анамнестические особенности пациенток с рефрактерными послеродовыми кровотечениями. Акушерство и гинекология: новости, мнения, обучение. 2025;13(S):69–76.

4. Andrikopoulou M., D’Alton M. E. Postpartum hemorrhage: early identification challenges. Semin. Perinatol. 2019;43(1):11–17. https://doi.org/10.1053/j.semperi.2018.11.003

5. Клинические рекомендации – Послеродовое кровотечение – 2021-2022-2023 (16.01.2023) – Утверждены Минздравом РФ. М., 2021. Ссылка активна на 28.09.2025. http://disuria.ru/_ld/12/1271_kr21O67O72MZ.pdf

6. Escobar M. F., Nassar A. H., Theron G., Barnea E. R., Nicholson W., Ramasauskaite D., et al. FIGO recommendations on the management of postpartum hemorrhage 2022. Int. J. Gynaecol. Obstet. 2022;157(suppl. 1):3–50. https://doi.org/10.1002/ijgo.14116

7. World Health Organization. WHO recommendations for the prevention and treatment of postpartum haemorrhage. Ссылка активна на 28.09.2025.https://www.who.int/reproductivehealth/publications/maternal_perinatal_health/9789241548502/en/

8. Prevention and Management of Postpartum Haemorrhage: Greentop Guideline No 52. BJOG. 2017;124(5):e106–e149. https://doi.org/10.1111/1471-0528.14178

9. Semrau K., Litman E., Molina R. L., Marx Delaney M., Choi L., Robertson L., et al. Implementation strategies for WHO guidelines to prevent, detect, and treat postpartum hemorrhage. Cochrane Database Syst. Rev. 2025;2(2):CD016223. https://doi.org/10.1002/14651858.CD016223

10. Ng'ang'a J., Chitimbe T., Mburu R., Rushwan S., Ntirushwa D., Chinery L. et al. Challenges in updating national guidelines and essential medicines lists in Sub-Saharan African countries to include WHOrecommended postpartum hemorrhage medicines. Int. J. Gynaecol. Obstet. 2022;158 Suppl 1:11–13. https://doi.org/ 10.1002/ijgo.14269

11. Holcroft S., Karangwa I., Little F., Behoor J., Bazirete O. Predictive Modelling of Postpartum Haemorrhage Using Early Risk Factors: A Comparative Analysis of Statistical and Machine Learning Models. Int. J. Environ Res. Public. Health. 2024;21(5):600. https://doi.org/10.3390/ijerph21050600

12. Артымук Н. В., Марочко Т. Ю., Артымук Д. А., Апресян С. В., Колесникова Н. Б., Аталян А. В. и др. Факторы риска и протективные факторы рефрактерного послеродового кровотечения. Акушерство и гинекология. 2024;10:82–90. https://dx.doi.org/10.18565/aig.2024.169

13. Omotayo M.O., Abioye A.I., Kuyebi M., Eke A.C. Prenatal anemia and postpartum hemorrhage risk: A systematic review and metaanalysis. J. Obstet. Gynaecol. Res. 2021;47(8):2565–2576. https://doi.org/10.1111/jog.14834

14. Ende H. B., Lozada M. J., Chestnut D. H., Osmundson S.S., Walden R.L., Shotwell M. S., et al. Risk factors for atonic postpartum hemorrhage: a systematic review and meta-analysis. Obstet. Gynecol. 2021;137(2):305–323. https://doi.org/10.1097/AOG.0000000000004228

15. Patek K., Friedman P. Postpartum Hemorrhage-Epidemiology, Risk Factors, and Causes. Clin. Obstet. Gynecol. 2023;66(2):344–356. https://doi.org/10.1097/GRF.0000000000000782

16. Артымук Д. А., Артымук Н. В., Марочко Т. Ю., Аталян А. В., Шибельгут Н. М., Батина Н. А. и др. Основные параметры гемостаза у пациенток с рефрактерными послеродовыми кровотечениями. Фундаментальная и клиническая медицина. 2025;10(2):44–55. https://doi.org/10.23946/2500-0764-2025-10-2-44-55

17. Yunas I., Islam M. A., Sindhu K. N., Devall A. J., Podesek M., Alam S. S., et al. Causes of and risk factors for postpartum haemorrhage: a systematic review and meta-analysis. Lancet. 2025;405(10488):1468–1480. https://doi.org/10.1016/S0140-6736(25)00448-9

18. Lagrew D M. J., Sakowski C., Cape V., McCormick E., Morton C. H., Lagrew D., et al. Improving Health Care Response to Obstetric Hemorrhage, a California Maternal Quality Care Collaborative Toolkit, 2022. 2022. Ссылка активна на 28.09.2025. https://www.cmqcc.org/resources-tool-kits/toolkits/ob-hemorrhage-toolkit.

19. Susanu C., Hгrгbor A., Vasilache I. A., Harabor V., Călin A. M. Predicting Intra- and Postpartum Hemorrhage through Artificial Intelligence. Medicina (Kaunas). 2024;60(10):1604. https://doi.org/10.3390/medicina60101604

20. Shah S. Y., Saxena S., Rani S. P., Nelaturi N., Gill S., Tippett Barr B., et al. Prediction of postpartum hemorrhage (PPH) using machine learning algorithms in a Kenyan population. Front. Glob. Womens Health. 2023;4:1161157. https://doi.org/10.3389/fgwh.2023.1161157

21. Zhang Y., Chen L., Zhou W., Lin J., Wen H. Nomogram to predict postpartum hemorrhage in cesarean delivery for twin pregnancies: a retrospective cohort study in China. Front. Med. (Lausanne). 2023;10:1139430. https://doi.org/10.3389/fmed.2023.1139430

22. Venkatesh K. K., Strauss R. A., Grotegut C. A., Heine R. P., Chescheir N. C., Stringer J. S. A., et al. Machine Learning and Statistical Models to Predict Postpartum Hemorrhage. Obstet. Gynecol. 2020;135(4):935–944. https://doi.org/10.1097/AOG.0000000000003759

23. Mehrnoush V., Ranjbar A., Farashah M.V., Darsareh F., Shekari M., Jahromi M. S. Prediction of postpartum hemorrhage using traditional statistical analysis and a machine learning approach. AJOG Glob. Rep. 2023;3(2):100185. https://doi.org/10.1016/j.xagr.2023.100185

24. Liu J., Wang C., Yan R., Lu Y., Bai J., Wang H., et al. Machine learning-based prediction of postpartum hemorrhage after vaginal delivery: combining bleeding high risk factors and uterine contraction curve. Arch. Gynecol. Obstet. 2022;306(4):1015–1025. https://doi.org/10.1007/s00404-021-06377-0

25. Obermeyer Z., Emanuel E. J. Predicting the Future–Big Data, Machine Learning, and Clinical Medicine. N. Engl. J. Med. 2016;375:1216–1219. https://doi.org/10.1056/NEJMp1606181

26. Sanchez-Pinto L. N., Luo Y., Churpek M. M. Big Data and Data Science in Critical Care. Chest. 2018;154:1239–1248. https://doi.org/10.1016/j.chest.2018.04.037

27. Savin M. L., Mihai F., Gheorghe L., Lupascu Ursulescu C., Negru D., Trofin A.M., et al. Proposal of a Preoperative CT-Based Score to Predict the Risk of Clinically Relevant Pancreatic Fistula after Cephalic Pancreatoduodenectomy. Medicina (Kaunas). 2021;57(7):650. https://doi.org/10.3390/medicina57070650