En ny metod för tidig prediktion av preeklampsi som hanterar prediktiv osäkerhet på grund av saknade data i kliniska dataset

Varför detta är viktigt för mödrar och barn

Preeklampsi är en farlig komplikation under graviditet som plötsligt kan hota både moderns och barnets liv. Läkare vet att enkla åtgärder, som att ge lågdos acetylsalicylsyra mycket tidigt i graviditeten, kan kraftigt minska risken för kvinnor som löper stor sannolikhet att utveckla tillståndet. Utmaningen är att i tid upptäcka dessa högriskgraviditeter och att göra det på ett tillförlitligt sätt när verkliga medicinska journaler ofta är ofullständiga. Denna studie presenterar ett nytt sätt att tidigt förutsäga preeklampsi samtidigt som den berättar för läkare hur mycket de kan lita på varje prediktion.

Att förstå ett tyst hot under graviditeten

Preeklampsi drabbar 2–8 % av graviditeterna globalt. Den visar sig oftast senare i graviditeten, men dess rötter läggs mycket tidigare. Mödrar med preeklampsi kan få skador på njurar, lever, hjärna och andra organ, och i värsta fall kan både mor och barn dö. Barn kan sluta växa normalt eller behöva förlösas mycket prematurt. Eftersom start av lågdos aspirin före 16 fullgångna veckor kan halvera risken för tidig preeklampsi, skulle möjligheten att identifiera kvinnor med hög risk i första trimestern kunna förändra vården. Att enbart förlita sig på en klinikers erfarenhet har dock visat sig vara för osäkert för så högstaktsbeslut.

Att göra röriga journaler till användbara varningar

Under det senaste decenniet har många forskargrupper använt maskininlärningsmetoder för att förutsäga preeklampsi från rutinmässig klinisk och laboratorieinformation. Dessa modeller uppnår vanligen måttlig noggrannhet, men de har alla ett stort gemensamt problem: de antar att varje prediktion är lika pålitlig, även när nyckelresultat saknas i en patients journal. I verklig mödraomsorg uteblir ofta blodprov och uppföljningsbesök, särskilt i hektiska öppenvårdsmiljöer. Det betyder att stora sjukhusdatabaser är fulla av luckor. Tidigare studier har mestadels ignorerat hur dessa luckor påverkar förtroendet för varje prediktion, vilket kan ha dolt modellernas verkliga potential.

Att lägga till en "ärlighetsmätare" till riskskattningar

Författarna analyserade journaler från mer än 31 000 singletongraviditeter vid tre sjukhus i Korea, med information insamlad före 16 fullgångna veckor. De byggde en prediktionsmodell som ger en riskpoäng för preeklampsi mellan 0 och 1. Sedan lade de till ett andra tal: en osäkerhetspoäng som speglar i vilken utsträckning saknad information kan undergräva den prediktionen. För att göra detta undersökte de hur starkt varje klinisk eller laboratorievariabel typiskt skjuter risken uppåt eller nedåt hos kvinnor vars data är fullständiga. Variabler vars värden starkt påverkar modellen — såsom medelartärblodtryck, lång tid sedan föregående graviditet eller att vara förstagångsföderska, vissa graviditetsrelaterade proteiner och HDL‑kolesterol — bedömdes som mer viktiga. Om en sådan avgörande variabel saknades för en given kvinna ökade hennes osäkerhetspoäng mer än om ett mindre viktigt värde fattades.

Vad händer när du bara litar på tydligare signaler

Med denna osäkerhetspoäng frågade teamet hur modellen presterar när de fokuserar endast på graviditeter med relativt fullständiga och informativa data. I intern testning, när de ignorerade osäkerhet och använde alla kvinnor, var modellens förmåga att särskilja vem som skulle utveckla preeklampsi god men inte exceptionell. När de gradvis begränsade utvärderingen till kvinnor med lägre osäkerhetspoäng — det vill säga färre eller mindre kritiska saknade värden — ökade noggrannheten stadigt. Vid en måttlig osäkerhetsnivå var modellens prestanda redan bättre än tidigare rapporter; vid mycket låg osäkerhet blev noggrannheten anmärkningsvärt hög och identifierade korrekt nästan alla framtida preeklampsifall med få falska larm. Ett liknande mönster framträdde när modellen testades på data från ett oberoende sjukhus, vilket tyder på att tillvägagångssättet är robust även över olika kliniker och patientgrupper.

Ledtrådar för bättre tester och framtida vård

Eftersom metoden spårar hur mycket varje variabel bidrar till osäkerhet, kan den vägleda vilka mätningar som är mest värda att samla in tidigt i graviditeten. Analysen visade att inget enskilt test räcker: många variabler bidrar vardera med en liten men viktig informationsbit. Ramverket är flexibelt och skulle kunna paras ihop med andra, mer komplexa maskininlärningsmodeller eller utvidgas till andra sällsynta graviditetsproblem. Samtidigt varnar författarna för att deras arbete är explorativt, baserat mestadels på koreanska kvinnor med enkelgraviditeter, och att de mest imponerande noggrannhetsuppskattningarna kommer från små, låg‑osäkerhetsundergrupper där mycket få preeklampsifall förekommer. Mer mångsidiga studier och ett omsorgsfullt val av beslutsgränser kommer att behövas innan ett sådant verktyg kan påverka vård i praktiken.

Vad detta betyder för blivande familjer

Denna studie erbjuder ännu inte ett klinikfärdigt test, men den pekar mot smartare, mer transparenta prediktionsverktyg. Istället för att bara ge en riskpoäng skulle framtida system också kunna ange hur säkra de är, vilket hjälper läkare att undvika övermod när viktiga delar av pusslet saknas. Genom att lära sig vilka rutinmätningar som spelar störst roll och hur man hanterar ofullständiga data lägger detta arbete grunden för säkrare, tidigare identifiering av graviditeter med risk för preeklampsi — och ger mer tid att skydda både mor och barns hälsa.

Citering: 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

Nyckelord: preeklampsi, riskprognos vid graviditet, maskininlärning inom obstetrik, osäkerhet i kliniska data, mödrahälsa