综述：AI 早期预测子痫前期 AUC 达 0.84 至 0.92 但缺前瞻验证 综述：AI 早期预测子痫前期 AUC 达 0.84 至 0.92 但缺前瞻验证

发表于《Diagnostics》的一篇叙述性综述，总结了基于人工智能的子痫前期预测模型的现有证据，并将其性能与传统筛查策略进行比较。[1]

为什么需要新方法

子痫前期仍是全球孕产妇与围产期发病和死亡的主要原因之一。现有早孕期筛查策略虽已改善风险评估，但预测能力受限于疾病的生物学复杂性与异质性——这正适合由能够整合多维数据的方法来补足。[1]

综述范围

综述纳入了评估机器学习与深度学习模型用于早孕期子痫前期预测的已发表研究，涵盖使用母体特征、血流动力学变量、生化标志物、影像、影像组学与多组学数据的工作，并对诊断性能、预测变量与验证策略进行了比较。[1]

主要发现

多项研究报告人工智能模型优于传统统计方法，尤其在整合多模态数据集时。高性能模型的曲线下面积（AUC）在 0.84 至 0.92 之间。跨研究最一致的预测变量包括母体临床特征、平均动脉压、子宫动脉搏动指数、胎盘生长因子与妊娠相关血浆蛋白 A。纳入炎症标志物、游离核酸、影像组学与多组学的新方法显示出前景，但目前缺乏足够的前瞻性多中心验证。[1]

高 AUC 的可信度边界

0.84 至 0.92 的数值本身很有吸引力，但综述同时指出，研究之间的直接比较受方法学异质性限制。也就是说，这些 AUC 大多来自不同数据来源、不同人群与不同验证方式的研究，并不能在统一口径下横向比较，更不能等同于临床可用性。[1]

为什么值得关注

这篇综述实际上描述了这一赛道从研究走向产品必须跨过的门槛：前瞻性多中心验证、标准化数据采集、可解释的人工智能，以及与临床工作流的无缝整合。对评估这类项目的投资者而言，需要看的不是论文里的 AUC，而是验证设计——样本是否来自前瞻队列、是否在多中心与多人群上重现、以及模型输出能否直接转化为临床决策。指标漂亮与临床有用之间，隔着整整一套验证工程。[1]