据2025年2月12日HealthDay新闻报道，一项最新研究表明，对于预测子痫前期患者不良结局的风险，PIERS机器学习（PIERS-ML）模型和基于逻辑回归的fullPIERS模型的连续性能会随着时间的推移而下降。这项研究于2月4日在线发表在《PLOS Medicine》上。
来自荷兰格罗宁根大学的Guiyou Yang及其同事，研究了这两种模型在预测子痫前期患者入院后超过48小时的不良结局风险方面的表现。研究纳入了8,843名孕妇的数据，评估了PIERS-ML模型和fullPIERS模型在入院后两周内的风险区分能力。主要结局指标包括每组每日平均风险和每日精确率-召回率曲线下面积（AUC-PRC）。
研究人员发现，在两周窗口期内，每日不良事件数量从200多例减少到约10例。对于PIERS-ML和fullPIERS模型，不良结局组的平均风险始终高于正常进程组。fullPIERS模型的AUC-PRC值一直较低（0.2至0.4），表明其区分能力较差。PIERS-ML模型的AUC-PRC值在第0天达到峰值0.65，之后逐渐下降。PIERS-ML模型对极高风险组具有良好的确认能力，阳性似然比范围为70.99至无穷大；对极低风险组也有良好的排除能力，大多数阴性似然比值为0。然而，对于其他风险组，模型的表现超过48小时后有所下降。
“临床医生应随着不确定性的增加来解释连续预测结果，”作者写道。
几位作者对PIERS-AI机器学习模型套件拥有知识产权。
(全文结束)
