人工智能（AI）可以识别出具有十倍差异不良结局风险的妊娠，但目前这些妊娠在临床指南下被视为同等对待。
通过分析近10,000例妊娠的数据，研究人员开发了一种算法，能够识别导致不良结局（如死胎）的因素组合。“可解释的人工智能”模型识别出了新的风险类别，最终可能使产前护理更加个性化，实现更准确的风险评估。
该研究发表在《BMC Pregnancy and Childbirth》上，揭示了一些意外的因素组合与升高的风险相关。通常情况下，女性胎儿的并发症风险低于男性，但如果孕妇有既往糖尿病，这种关系会逆转。
“它检测到了一些连经验丰富的临床医生都无法识别的风险因素，”犹他大学高危妊娠副教授Nathan Blue博士表示。
虽然胎儿生长受限是死胎的主要风险因素，但其结果不确定，大多数此类妊娠最终仍能产出健康的新生儿。为了提高预测准确性，Blue及其团队研究了9,558例妊娠的数据，包括社会支持、血压、病史、胎儿体重和妊娠结局。
利用这些信息，他们开发了一种概率图模型，这是一种“可解释的人工智能”，能够更好地解释在胎儿生长受限情况下，各变量如何相互作用导致围产期发病率。
“可解释的人工智能”是指一类旨在通过提供可解释的、透明的模型决策和预测来提高可信度的人工智能方法，使人们能够监督和评估输出结果。
对于体重在第三到第九百分位的小于胎龄胎儿，不健康结局的风险范围从8%到84%不等。在这个体重组中，女性胎儿通常比男性胎儿的不健康结局风险低，分别为10%和12%。但如果孕妇患有糖尿病，则女性胎儿的不健康结局风险增加到38%，而男性胎儿为24%。
对于没有既往糖尿病或使用黄体酮的孕妇，小于胎龄的女性胎儿并没有比背景队列更高的围产期风险（相对风险=0.9，置信区间跨越1）。但对于患有既往糖尿病并使用黄体酮的孕妇，这一风险几乎增加了10倍（相对风险=9.8）。
该模型需要进一步在现实世界中进行测试，但Blue对基于可解释人工智能的模型充满信心，认为它有一天可以实现妊娠风险评估和治疗的个性化。
“人工智能模型可以基本上估计特定个体情境下的风险，并且可以透明和可重复地做到这一点，这是我们的大脑无法做到的，”他解释说。
“这种能力将对我们整个领域产生变革性影响。”
(全文结束)
