Skip to main page content
U.S. flag

An official website of the United States government

Dot gov

The .gov means it’s official.
Federal government websites often end in .gov or .mil. Before sharing sensitive information, make sure you’re on a federal government site.

Https

The site is secure.
The https:// ensures that you are connecting to the official website and that any information you provide is encrypted and transmitted securely.

Access keys NCBI Homepage MyNCBI Homepage Main Content Main Navigation
. 2024 Mar;63(3):350-357.
doi: 10.1002/uog.27510.

Performance of machine-learning approach for prediction of pre-eclampsia in a middle-income country

J Torres-Torres  1   2 , J R Villafan-Bernal  3 , R J Martinez-Portilla  1 , J A Hidalgo-Carrera  2 , G Estrada-Gutierrez  1 , R Adalid-Martinez-Cisneros  4 , L Rojas-Zepeda  5 , S Acevedo-Gallegos  1 , D M Camarena-Cabrera  1 , M Y Cruz-Martínez  6 , S Espino-Y-Sosa  1   2   6
Affiliations
Free article

Performance of machine-learning approach for prediction of pre-eclampsia in a middle-income country

J Torres-Torres et al. Ultrasound Obstet Gynecol. 2024 Mar.
Free article

Abstract
in English, Spanish, Chinese

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.

机器学习方法预测中等收入国家先兆子痫的性能: 目的: 先兆子痫(PE)是一种严重的妊娠并发症，可导致孕产妇和胎儿发病和死亡。由于目前的预测模型存在局限性， 可能不适用于资源有限的环境，因此本研究的目的是开发一种机器学习(ML)算法，为准确、高效地预测先兆子痫提供潜在的解决方案。 方法: 我们在墨西哥城开展了一项前瞻性队列研究，利用机器学习开发早产 PE(pPE)的妊娠早期预测模型。根据母体特征和当地得出的平均动脉压、 子宫动脉搏动指数和血清胎盘生长因子的中位数(MoM)倍数值选择变量。数据集分为训练集、验证集和测试集。预测因子的选择采用弹性网络方法，模型性能的评估采用接受者操作特征曲线下面积(AUC)和假阳性率(FPR)为 10% 时的检测率(DR)。 结果: 最终分析包括 3050 名孕妇，其中 124 人(4.07%)出现了 PE。机器学习模型展现出良好的性能，pPE、早发 PE (ePE) 和任何类型 PE (all-PE) 的 AUC 分别为 0.897、0.963 和 0.778。FPR 为 10% 时，pPE、ePE 和 all-PE 的 DR 分别为 76.5%、88.2% 和 50.1%。 结论: 我们的机器学习模型利用妊娠早期孕妇特征和本地得出的 MoM 预测 pPE 和 ePE 的准确性很高。该模型可 为 PE 早期预测提供了一个高效、易用的工具，有助于及时干预并改善孕产妇和胎儿的预后。.

Keywords: elastic net; machine learning; mean arterial pressure; placental growth factor; pre-eclampsia; uterine artery Doppler.

PubMed Disclaimer

References

REFERENCES

    1. American College of Obstetricians and Gynecologists. Practice Bulletin No 222: Gestational Hypertension and Preeclampsia. Obstet Gynecol 2020; 135: e237-260.
    1. Dimitriadis E, Rolnik DL, Zhou W, Estrada-Gutierrez G, Koga K, Francisco RPV, Whitehead C, Hyett J, da Silva Costa F, Nicolaides K, Menkhorst E. Pre-eclampsia. Nat Rev Dis Primers 2023; 9: 8.
    1. Engebretsen S and Bohlin J. Statistical predictions with glmnet. Clin Epigenetics 2019; 11: 123.
    1. North RA, McCowan LM, Dekker GA, Poston L, Chan EH, Stewart AW, Black MA, Taylor RS, Walker JJ, Baker PN, Kenny LC. Clinical risk prediction for pre-eclampsia in nulliparous women: development of model in international prospective cohort. BMJ 2011; 342: d1875.
    1. Poon LC, Akolekar R, Lachmann R, Beta J, Nicolaides KH. Hypertensive disorders in pregnancy: screening by biophysical and biochemical markers at 11-13 weeks. Ultrasound Obstet Gynecol 2010; 35: 662-670.

LinkOut - more resources