Ein neuer Ansatz zur Frühvorhersage von Präeklampsie, der prädiktive Unsicherheit durch fehlende Daten in klinischen Datensätzen berücksichtigt

Warum das für Mütter und Babys wichtig ist

Präeklampsie ist eine gefährliche Schwangerschaftskomplikation, die plötzlich das Leben von Mutter und Kind bedrohen kann. Ärztinnen und Ärzte wissen, dass einfache Maßnahmen, wie die frühzeitige Gabe von niedrig dosiertem Aspirin, das Risiko für Frauen, die wahrscheinlich erkranken, deutlich senken können. Die Herausforderung besteht darin, diese Hochrisikoschwangerschaften rechtzeitig zu erkennen — und dies zuverlässig zu tun, obwohl medizinische Unterlagen in der Praxis häufig unvollständig sind. Diese Studie stellt eine neue Methode vor, die Präeklampsie früh vorhersagt und zugleich angibt, wie vertrauenswürdig jede einzelne Vorhersage ist.

Ein leiser Gefährdungspunkt in der Schwangerschaft

Präeklampsie betrifft weltweit 2–8 % der Schwangerschaften. Sie tritt meist später in der Schwangerschaft auf, die Ursachen entstehen jedoch deutlich früher. Mütter mit Präeklampsie können Schäden an Nieren, Leber, Gehirn und anderen Organen erleiden, und in schwersten Fällen können Mutter und Kind sterben. Babys können in ihrem Wachstum stagnieren oder sehr früh geboren werden müssen. Da die Gabe von niedrig dosiertem Aspirin vor der 16. Schwangerschaftswoche das Risiko für frühe Präeklampsie mehr als halbieren kann, könnte die Fähigkeit, Frauen mit hohem Risiko im ersten Trimester zu identifizieren, die Versorgung revolutionieren. Allein auf die Erfahrung von Klinikerinnen und Klinikern zu vertrauen, hat sich jedoch als zu unsicher für so weitreichende Entscheidungen erwiesen.

Aus unvollständigen Akten nützliche Warnungen machen

In den letzten zehn Jahren haben viele Forschungsteams maschinelle Lernverfahren genutzt, um Präeklampsie aus routinemäßigen klinischen und Laborinformationen vorherzusagen. Diese Modelle erreichen typischerweise eine moderate Genauigkeit, doch sie haben alle ein wesentliches Problem gemeinsam: Sie setzen voraus, dass jede Vorhersage gleichermaßen vertrauenswürdig ist — selbst wenn wichtige Testergebnisse in der Patientenakte fehlen. In der realen Schwangerenvorsorge werden Bluttests und Nachsorgetermine oft ausgelassen, besonders in vielbeschäftigten Ambulanzen. Das führt dazu, dass große Krankenhausdatenbanken viele Lücken aufweisen. Frühere Studien haben meist ignoriert, wie sich diese Lücken auf die Vertrauenswürdigkeit einzelner Vorhersagen auswirken, was das tatsächliche Potenzial der Modelle verschleiern kann.

Ein "Ehrlichkeitsmesser" für Risikowerte

Die Autoren analysierten Datensätze von mehr als 31.000 Einzelschwangerschaften aus drei Krankenhäusern in Korea, wobei sie Informationen nutzten, die vor der 16. Schwangerschaftswoche erhoben wurden. Sie entwickelten ein Vorhersagemodell, das einen Präeklampsie-Risikoscore zwischen 0 und 1 ausgibt. Zusätzlich fügten sie eine zweite Zahl hinzu: einen Unsicherheitswert, der widerspiegelt, wie stark fehlende Informationen diese Vorhersage schwächen könnten. Dazu untersuchten sie, wie stark jede klinische oder laborchemische Variable bei Frauen mit vollständigen Daten typischerweise das Risiko nach oben oder unten verschiebt. Variablen, deren Werte das Modell stark beeinflussen — wie der mittlere arterielle Blutdruck, lange Zeiträume seit der letzten Schwangerschaft oder Erstgebärende, bestimmte schwangerschaftsbezogene Proteine und HDL‑Cholesterin — wurden als wichtiger eingestuft. Fehlt eine solche entscheidende Variable bei einer Frau, steigt ihr Unsicherheitswert stärker an als bei fehlenden, weniger wichtigen Angaben.

Was passiert, wenn man nur klarere Signale vertraut

Mit diesem Unsicherheitswert untersuchten die Forschenden, wie das Modell abschneidet, wenn sie sich nur auf Schwangerschaften mit relativ vollständigen und aussagekräftigen Daten konzentrieren. In internen Tests, bei denen sie die Unsicherheit ignorierten und alle Frauen einbezogen, war die Fähigkeit des Modells, zwischen Frauen mit und ohne spätere Präeklampsie zu unterscheiden, gut, aber nicht herausragend. Als sie die Auswertung schrittweise auf Frauen mit geringeren Unsicherheitswerten einschränkten — also mit weniger oder weniger kritischen fehlenden Angaben — stieg die Genauigkeit kontinuierlich an. Bei moderatem Unsicherheitsniveau war die Leistung des Modells bereits besser als in früheren Berichten; bei sehr niedriger Unsicherheit wurde die Genauigkeit bemerkenswert hoch und identifizierte nahezu alle späteren Präeklampsie-Fälle mit wenigen Fehlalarmen. Ein ähnliches Muster zeigte sich, als das Modell an unabhängigen Daten eines anderen Krankenhauses getestet wurde, was darauf hindeutet, dass der Ansatz auch über verschiedene Kliniken und Patientengruppen hinweg robust ist.

Hinweise für bessere Tests und künftige Versorgung

Weil die Methode nachverfolgt, wie stark jede Variable zur Unsicherheit beiträgt, kann sie lenken, welche Messungen in der Frühschwangerschaft am lohnendsten sind. Die Analyse zeigte, dass kein einzelner Test ausreicht: Viele Variablen tragen jeweils ein kleines, aber wichtiges Informationsstück bei. Das Framework ist flexibel und könnte mit anderen, komplexeren maschinellen Lernmodellen kombiniert oder auf andere seltene Schwangerschaftsprobleme ausgeweitet werden. Die Autoren mahnen jedoch zur Vorsicht: Ihre Arbeit ist explorativ, basiert überwiegend auf koreanischen Frauen mit Einzelschwangerschaften, und die eindrucksvollsten Genauigkeitsschätzungen stammen aus kleinen, niedrig‑unsicheren Teilgruppen, in denen nur sehr wenige Präeklampsie-Fälle vorliegen. Vielfältigere Studien und eine sorgfältige Wahl von Entscheidungsgrenzwerten werden erforderlich sein, bevor ein solches Werkzeug die klinische Praxis beeinflussen kann.

Was das für werdende Familien bedeutet

Die Studie bietet noch keinen clinics‑fertigen Test, deutet aber auf intelligentere, transparentere Vorhersagesysteme hin. Statt eines bloßen Risikoscores könnten künftige Systeme auch angeben, wie sicher diese Einschätzung ist und Ärztinnen und Ärzten helfen, Übervertrauen zu vermeiden, wenn wichtige Puzzleteile fehlen. Indem sie zeigen, welche Routinemessungen am wichtigsten sind und wie man mit unvollständigen Daten umgeht, legt diese Arbeit das Fundament für eine frühere und sicherere Identifikation von Schwangerschaften mit Präeklampsie‑Risiko — und verschafft so mehr Zeit, die Gesundheit von Mutter und Kind zu schützen.

Zitation: Kim, J.W., Kim, N., Kim, J.Y. et al. A novel approach to preeclampsia early prediction addressing predictive uncertainty due to missing data in clinical dataset. Sci Rep 16, 8455 (2026). https://doi.org/10.1038/s41598-025-27801-4

Schlüsselwörter: Präeklampsie, Vorhersage des Schwangerschaftsrisikos, Maschinelles Lernen in der Geburtshilfe, Unsicherheit klinischer Daten, mütterliche Gesundheit