Predizione dei disturbi ipertensivi della gravidanza nelle donne in gravidanza di età avanzata utilizzando valori SHAP e XGBoost

Perché è importante per le famiglie in attesa

I problemi di pressione alta in gravidanza sono una delle principali cause di malattia per madri e neonati a livello mondiale, e stanno diventando più frequenti man mano che sempre più donne scelgono di avere figli tra la fine dei 30 anni e i 40. Questo studio condotto in Cina pone una domanda pratica: possiamo usare informazioni semplici e di uso quotidiano — come la pressione arteriosa e il peso precoci in gravidanza, la storia familiare e le abitudini quotidiane — per stimare quali gestanti più anziane sono più propense a sviluppare queste condizioni, senza ricorrere a esami di laboratorio o ecografie costose? Se la risposta è sì, donne e clinici potrebbero intervenire prima per proteggere sia la madre sia il bambino.

Rischi legati alla pressione nelle gravidanze in età avanzata

I disturbi ipertensivi della gravidanza, che comprendono condizioni come l’ipertensione gestazionale e la preeclampsia, possono portare a parto pretermine, crescita insufficiente del feto e gravi complicanze per la madre. Il rischio è più elevato per le donne di età pari o superiore a 35 anni, un gruppo in rapida crescita in Cina a causa di cambiamenti sociali e politici. Molti programmi di screening si concentrano però su esami del sangue e ecografie che possono essere difficili da offrire a tutte le gravide, specialmente in aree con risorse limitate. Allo stesso tempo, comportamenti quotidiani come l’attività fisica, i ritmi di lavoro, il sonno e il tempo davanti agli schermi sono sempre più riconosciuti come influenze importanti sulla pressione, ma raramente vengono integrati in strumenti formali di valutazione del rischio.

Un grande e lungo monitoraggio delle gravidanze in età avanzata

I ricercatori hanno seguito oltre 11.000 donne in gravidanza di età pari o superiore a 35 anni che ricevevano assistenza in sette grandi ospedali cinesi tra il 2015 e il 2019. Tutte avevano gravidanze con feto singolo e non presentavano ipertensione cronica prima della gravidanza. Le donne hanno compilato questionari dettagliati in cinque momenti dal primo trimestre al post-parto, raccogliendo dati su età, peso, istruzione, reddito, anamnesi medica e familiare e abitudini di vita come fumo, consumo di alcol, tempo davanti agli schermi, orario di lavoro, esercizio fisico e sonno. La pressione arteriosa è stata misurata durante le visite cliniche in ciascun trimestre. Circa il 9 percento di queste donne ha sviluppato un disturbo ipertensivo durante la gravidanza.

Trasformare i dati quotidiani in un punteggio di rischio

Per costruire uno strumento predittivo, il team ha usato inizialmente un metodo statistico per vagliare numerosi potenziali fattori di rischio e conservare solo quelli più informativi. Ne sono emersi nove: pressione sistolica e diastolica in gravidanza precoce, indice di massa corporea, storia familiare di ipertensione, precedenti parti, età, consumo di alcol, procreazione assistita e tempo giornaliero passato davanti agli schermi. Successivamente hanno addestrato un moderno algoritmo di machine learning, noto come XGBoost, per riconoscere i modelli che collegano questi fattori a problemi di ipertensione successivi. Le prestazioni del modello sono state testate su dati separati e ulteriormente verificate con la cross-validazione per evitare l’overfitting. Nel complesso, lo strumento ha distinto correttamente le donne a rischio più elevato da quelle a rischio più basso con buona accuratezza, particolarmente efficace nell’escludere quelle a basso rischio.

Rendere comprensibile il modello “black box”

I modelli di machine learning sono spesso criticati per la loro scarsa interpretabilità. Per affrontare questo problema, gli autori hanno utilizzato una tecnica chiamata SHAP, che permette di visualizzare quanto ogni fattore spinge in alto o in basso la previsione del rischio per una singola donna. La pressione arteriosa e l’indice di massa corporea misurati all’inizio della gravidanza sono risultati di gran lunga i fattori più influenti: valori più alti aumentano chiaramente il rischio. Anche la storia familiare, l’età, i precedenti parti, la procreazione assistita, il consumo di alcol e il tempo davanti agli schermi hanno contribuito ad aumentare il rischio, sebbene con effetti più piccoli. È interessante notare che le donne che lavoravano un numero moderato o anche elevato di ore tendevano ad avere tassi più bassi di ipertensione rispetto a quelle disoccupate, indicando una relazione complessa tra lavoro, reddito e salute che mette in discussione l’idea semplice che “meno lavoro sia sempre più sicuro” in gravidanza.

Cosa significa per l’assistenza e la vita quotidiana

Lo studio mostra che è possibile costruire un valido strumento di allerta precoce per la pressione alta nelle donne in gravidanza più anziane utilizzando informazioni economiche e facili da raccogliere, senza fare affidamento su esami specialistici. Sebbene il modello non sia sufficientemente accurato per essere usato come unico strumento diagnostico — la sua sensibilità è modesta — è ben adatto per l’autoscreening e per programmi a livello comunitario che identificano le donne molto improbabili a sviluppare problemi e quelle che dovrebbero prestare maggiore attenzione. Per le future madri nei tardi anni trenta o nei quaranta, specialmente in contesti con risorse limitate, questo tipo di stima del rischio semplice e personalizzata potrebbe favorire un monitoraggio tempestivo della pressione, aggiustamenti dello stile di vita e decisioni su quando rivolgersi al medico, riducendo potenzialmente l’impatto dei disturbi ipertensivi su madri e neonati.

Citazione: Wang, J., Zhu, H. & Gu, W. Prediction of hypertensive disorders of pregnancy in advanced-age pregnant women using SHAP value and XGBoost. Sci Rep 16, 13971 (2026). https://doi.org/10.1038/s41598-026-44411-w

Parole chiave: età materna avanzata, ipertensione in gravidanza, modello di previsione del rischio, fattori legati allo stile di vita, machine learning in ostetricia