Булатова Инга Акоповна – аспирант, стажер-исследователь отдела гинекологии и репродуктивной медицины
119991, г. Москва, Ломоносовский пр-кт, д. 27, к. 1
Inga А. Bulatova – postgraduate student, junior researcher of the Department of Gynecology and Reproductive Medicine
27 Lomonosovsky ave, unit 1, Moscow 119991
Саланова Мадина Шералиевна – студент факультета фундаментальной медицины
119991, г. Москва, Ломоносовский пр-кт, д. 27, к. 1
Madina S. Salanova – student of the Faculty of medicine
27 Lomonosovsky ave, unit 1, Moscow 119991
Пониманская Мария Александровна – кандидат медицинских наук, заместитель главного врача по акушерско-гинекологической помощи
123423, г. Москва, ул. Саляма Адиля, д. 2/44
Maria A. Ponimanskaya – Cand. Sc. (Med.), deputy chief physician for obstetric and gynecological care
Salyam Adil Str., 2/44, Moscow 123423
Десятник Кирилл Александрович – заведующий отделением патологии беременных
123423, г. Москва, ул. Саляма Адиля, д. 2/44
Kirill A. Desyatnik – Head of the Department of pregnancy pathology
Salyam Adil Str., 2/44, Moscow 123423
Панина Ольга Борисовна – доктор медицинских наук, профессор, заведующий отделом гинекологии и репродуктивной медицины, заведующий кафедрой акушерства и гинекологии
119991, г. Москва, Ломоносовский пр-кт, д. 27, к. 1
Olga B. Panina –Dr. Sc. (Med.), professor, head of the Department of Gynecology and Reproductive Medicine, head of the Department of Obstetrics and Gynecology
27 Lomonosovsky ave, unit 1, Moscow 119991
Обоснование. Индукция родов (ИР) — широко распространённое акушерское вмешательство, однако частота кесарева сечения (КС) после ИР может превышать 50 % в отдельных группах. Существующие прогностические модели преимущественно используют антенатальные факторы, не учитывают нелинейные взаимосвязи и не всегда обладают достаточной дискриминационной способностью.
Цель. Разработка, валидация и интерпретация прогностической модели для определения исхода ИР при доношенной беременности с применением методов машинного обучения.
Методы. Ретроспективное когортное исследование на основе госпитального регистра (июнь 2024 – июнь 2025) включило 1670 одноплодных беременных со сроком гестации ≥ 37 недель, которым проводилась ИР (амниотомия, окситоцин). Исходы ИР: успешная ИР (вагинальные роды) и неуспешная ИР (КС). Для предварительного отбора признаков производилось вычисление важности признаков (feature importance) с помощью логистической регрессии, логистической регрессии с L1-регуляризацией (Lasso) и модели случайного леса (Random Forest) для устранения неинформативных переменных. Финальная прогностическая модель была построена с использованием алгоритма случайного леса. Для интерпретации влияния отобранных признаков на предсказания модели применялся SHAP-анализ.
Результаты. Частота КС составила 21,1 % (n = 352). В финальную модель вошли 7 признаков (по убыванию важности): продолжительность интервала от начала ИР до развития регулярной родовой деятельности, паритет, предполагаемая масса плода по ультразвуковому исследованию, необходимость преиндукции родов, возраст матери, индекс массы тела матери, срок гестации. AUC-ROC модели на тестовой выборке составила 0,904 (95% ДИ 0,846– 0,951), чувствительность – 75 %, специфичность – 92 %, Net Benefit – 0,184. SHAP-анализ позволил интерпретировать индивидуальные прогнозы.
Заключение. Разработанная модель на основе случайного леса с включением интранатального предиктора (интервал до регулярных схваток) демонстрирует высокую прогностическую эффективность, возможность к внешней валидации и клиническую полезность, что может способствовать своевременному принятию обоснованных решений о тактике ведения родов.
Background. Induction of labor (IOL) is a widely used obstetric intervention. However, the rate of cesarean section (CS) following IOL may exceed 50% in certain subgroups. Existing predictive models predominantly rely on antenatal factors, fail to account for nonlinear relationships, and do not always demonstrate sufficient discriminative ability.
Aim. Development, validation, and interpretation of a predictive model for predicting the outcome of IOL in term pregnancy using machine learning methods.
Materials and methods. This retrospective cohort study, based on a hospital registry (June 2024 – June 2025), included 1,670 women with singleton pregnancies with gestational age of ≥37 weeks who underwent IOL (amniotomy, oxytocin). Outcomes were defined as successful IOL (vaginal delivery) and unsuccessful IOL (CS). For preliminary feature selection, feature importance was calculated using logistic regression, logistic regression with L1 regularization (Lasso), and random forest to eliminate non-informative variables. The final predictive model was built using the random forest algorithm. SHAP analysis was used to interpret the influence of the selected features on the model predictions.
Results. The CS rate was 21.1% (n=352). Seven features were included in the final model (in descending order of importance): the time interval from IOL initiation to the onset of regular uterine contractions, parity, estimated fetal weight by ultrasound, need for pre-induction of labor, maternal age, maternal body mass index, and gestational age. The model achieved an AUC-ROC of 0.904 (95% CI 0.846–0.951) on the test set, with a sensitivity of 75%, specificity of 92%, and net benefit of 0.184. SHAP analysis enabled interpretation of individual predictions.
Conclusion. The developed random forest-based model, which incorporates an intrapartum predictor (time interval to regular contractions), demonstrates high predictive performance, potential for external validation, and clinical utility, thereby supporting timely and informed decision-making regarding labor management.
The authors declare that there are no conflicts of interest present.