RESUMO
OBJECTIVE: Pre-eclampsia (PE) is a serious complication of pregnancy associated with maternal and fetal morbidity and mortality. As current prediction models have limitations and may not be applicable in resource-limited settings, we aimed to develop a machine-learning (ML) algorithm that offers a potential solution for developing accurate and efficient first-trimester prediction of PE. METHODS: We conducted a prospective cohort study in Mexico City, Mexico to develop a first-trimester prediction model for preterm PE (pPE) using ML. Maternal characteristics and locally derived multiples of the median (MoM) values for mean arterial pressure, uterine artery pulsatility index and serum placental growth factor were used for variable selection. The dataset was split into training, validation and test sets. An elastic-net method was employed for predictor selection, and model performance was evaluated using area under the receiver-operating-characteristics curve (AUC) and detection rates (DR) at 10% false-positive rates (FPR). RESULTS: The final analysis included 3050 pregnant women, of whom 124 (4.07%) developed PE. The ML model showed good performance, with AUCs of 0.897, 0.963 and 0.778 for pPE, early-onset PE (ePE) and any type of PE (all-PE), respectively. The DRs at 10% FPR were 76.5%, 88.2% and 50.1% for pPE, ePE and all-PE, respectively. CONCLUSIONS: Our ML model demonstrated high accuracy in predicting pPE and ePE using first-trimester maternal characteristics and locally derived MoM. The model may provide an efficient and accessible tool for early prediction of PE, facilitating timely intervention and improved maternal and fetal outcome. © 2023 The Authors. Ultrasound in Obstetrics & Gynecology published by John Wiley & Sons Ltd on behalf of International Society of Ultrasound in Obstetrics and Gynecology.
Eficiencia de un enfoque de aprendizaje automático para la predicción de la preeclampsia en un país de ingresos medios OBJETIVO: La preeclampsia (PE) es una complicación grave del embarazo asociada a morbilidad y mortalidad materna y del feto. Dado que los modelos de predicción actuales tienen limitaciones y pueden no ser aplicables en situaciones con recursos limitados, se propuso desarrollar un algoritmo de aprendizaje automático (AA) que ofrezca una solución con potencial para desarrollar una predicción precisa y eficiente de la PE en el primer trimestre. MÉTODOS: Se realizó un estudio de cohorte prospectivo en Ciudad de México para desarrollar un modelo de predicción de la PE pretérmino (PEp) en el primer trimestre utilizando AA. Para la selección de variables se utilizaron las características maternas y los múltiplos de la mediana (MdM) obtenidos localmente para la presión arterial media, el índice de pulsatilidad de la arteria uterina y el factor de crecimiento placentario sérico. El conjunto de datos se dividió en subconjuntos de datos de entrenamiento, de validación y de test estadístico. Se empleó un método de red elástica para la selección de predictores, y el rendimiento del modelo se evaluó mediante el área bajo la curva de características operativas del receptor (ABC) y las tasas de detección (TD) con tasas de falsos positivos (TFP) del 10%. RESULTADOS: El análisis final incluyó a 3050 mujeres embarazadas, de las cuales 124 (4,07%) desarrollaron PE. El modelo de AA mostró una buena eficiencia, con un ABC de 0,897, 0,963 y 0,778 para la PEp, la PE de aparición temprana (PEat) y cualquier tipo de PE (todas las PE), respectivamente. Las TD con TFP del 10% fueron del 76,5%, 88,2% y 50,1% para la PEp, PEat y todas las PE, respectivamente. CONCLUSIONES: Nuestro modelo de AA demostró una alta precisión en la predicción de la PEp y la PEat utilizando características maternas del primer trimestre y MdM calculados localmente. El modelo puede proporcionar una herramienta eficiente y accesible para la predicción temprana de la PE, facilitando la intervención oportuna y la mejora de los resultados maternos y del feto.