Прогнозирование риска колонизации родовых путей родильниц резистентными штаммами условно-патогенных микроорганизмов и оценка угрозы здоровью их новорожденных детей с применением методов машинного обучения

Файл статьи: 
Иконка PDF health-risk-analysis-2026-3-15.pdf
УДК: 
618.3-022:579.842.11
DOI: 
10.21668/health.risk/2026.3.15
Авторы: 

С.С. Смирнова1,2, Ю.С. Стагильская1,2, А.А. Каменева1,2, Д.Д. Авдюнин1, Н.Н. Жуйков1

Организация: 

1Федеральный научно-исследовательский институт вирусных инфекций «Виром», Российская Федерация, 620030, г. Екатеринбург, ул. Летняя, 23
2Уральский государственный медицинский университет, Российская Федерация, 620028, г. Екатеринбург, ул. Репина, 3

Аннотация: 

Колонизация родовых путей родильниц резистентными условно-патогенными микроорганизмами (УПМ) является ключевым звеном в развитии инфекционных осложнений послеродового периода и представляет угрозу для новорожденных. Классические методы эпидемиологического анализа не всегда позволяют учесть сложные взаимодействия факторов риска. Осуществлены прогнозирование риска колонизации родовых путей родильниц резистентными штаммами УПМ и оценка влияния на исходы у новорожденных с применением машинного обучения.

Проведен ретроспективный анализ 166 историй родов и обменных карт беременных. Сформированы две аналитические выборки: «Родильницы» (105 предикторов) и «Новорожденные» (28 предикторов). Использованы методы классической статистики (точный критерий Фишера, относительный риск) и пять алгоритмов машинного обучения. Оценка моделей выполнена по метрикам Accuracy, Precision, Recall, F1-score, ROC-AUC; интерпретация – с помощью SHAP-анализа.

Частота колонизации составила 60,2 % (100 / 166). Статистически значимыми факторами риска явились: проживание в сельской местности (RR = 1,68), низкий уровень образования (RR = 1,80), отсутствие работы (RR = 1,74), незарегистрированный брак (RR = 1,76), аборты в анамнезе (RR = 1,30), преждевременные роды (RR = 1,50), длительная предродовая (RR = 1,65) и послеродовая (RR = 3,43) госпитализация. Наилучшую прогностическую способность для выборки «Родильницы» показала модель случайного леса (F1-score = 0,846; ROC-AUC = 0,842). У детей от матерей-носительниц резистентных штаммов достоверно чаще регистрировались недоношенность, заболевания раннего неонатального периода и перевод в отделение реанимации.

Колонизация родовых путей родильниц резистентными штаммами УПМ ассоциирована с комплексом социальных, клинических и организационных факторов. Методы машинного обучения позволяют построить эффективную прогностическую модель и подтверждают значительное негативное влияние материнской колонизации на здоровье новорожденных.

Ключевые слова: 
родильницы, новорожденные, условно-патогенные микроорганизмы, антибиотикорезистентность, факторы риска, машинное обучение, колонизация, прогнозирование
Прогнозирование риска колонизации родовых путей родильниц резистентными штаммами условно-патогенных микроорганизмов и оценка угрозы здоровью их новорожденных детей с применением методов машинного обучения / С.С. Смирнова, Ю.С. Стагильская, А.А. Каменева, Д.Д. Авдюнин, Н.Н. Жуйков // Анализ риска здоровью. – 2026. – № 3. – С. 160–171. DOI: 10.21668/health.risk/2026.3.15
Список литературы: 
  1. Vaginal versus Obstetric Infection Escherichia coli Isolates among Pregnant Women: Antimicrobial Resistance and Genetic Virulence Profile / E. Sáez-López, E. Guiral, D. Fernández-Orth, S. Villanueva, A. Goncé, M. López, I. Teixidó, A. Pericot [et al.] // PLoS One. – 2016. – Vol. 11, № 1. – P. e0146531. DOI: 10.1371/journal.pone.0146531
  2. Antimicrobial-resistant infections among postpartum women at a Ugandan referral hospital / L.M. Bebell, J. Ngonzi, J. Bazira, Y. Fajardo, A.A. Boatin, M.J. Siedner, I.V. Bassett, D. Nyehangane [et al.] // PLoS One. – 2017. – Vol. 12, № 4. – P. e0175456. DOI: 10.1371/journal.pone.0175456
  3. Acute health care utilization in the first 24 months postpartum by rurality and pregnancy complications: a prospective cohort study / K.A. Ahrens, K. Palmsten, C.O. Grantham, H.S. Lipkind, C.M. Ackerman-Banks // Health Serv. Res. – 2023. – Vol. 59, № 1. – P. e14247. DOI: 10.1111/1475-6773.14247
  4. Frayne J. Editorial: The postnatal period // Aust. J. Gen. Pract. – 2022. – Vol. 51, № 3. – P. 101–102. DOI: 10.31128/AJGP-01-22-6295
  5. Rapid emergence of antibacterial resistance by bacterial isolates from patients of gynecological infections in Punjab, Pakistan / A. Sarwar, M.A. Butt, S. Hafeez, M.Z. Danish // J. Infect. Public Health. – 2020. – Vol. 13, № 12. – P. 1972–1980. DOI: 10.1016/j.jiph.2020.06.011
  6. Грищенко О.В. Патогенетическое влияние антибиотикорезистентности на репродуктивное здоровье женщины // Infusion & Chemotherapy. – 2020. – № 3.2. – С. 66–68. DOI: 10.32902/2663-0338-2020-3.2-66-68
  7. Microdiversity of the vaginal microbiome is associated with preterm birth / J. Liao, L. Shenhav, J.A. Urban, M. Serrano, B. Zhu, G.A. Buck, T. Korem // Nat. Commun. – 2023. – Vol. 14, № 1. – P. 4997. DOI: 10.1038/s41467-023-40719-7
  8. Егоров И.А., Смирнова С.С., Семенов А.В. Использование индуктивного типа машинного обучения для выявления факторов риска инфицирования медицинских работников высококонтагиозными вирусами (на модели COVID-19) // Анализ риска здоровью. – 2024. – № 2. – С. 122–131. DOI: 10.21668/health.risk/2024.2.11
  9. Lundberg S.M., Lee S.-I. A unified approach to interpreting model predictions // Proceedings of the 31st International Conference on Neural Information Processing Systems. – New York, 4–9 December, 2017. – P. 4768-4777. DOI: 10.48550/arXiv.1705.07874
  10. Breiman L. Random Forests // Machine Learning. – 2001. – Vol. 45. – P. 5–32. DOI: 10.1023/A: 1010933404324
  11. Wiens J., Shenoy E.S. Machine Learning for Healthcare: On the Verge of a Major Shift in Healthcare Epidemiology // Clin. Infect. Dis. – 2018. – Vol. 66, № 1. – P. 149–153. DOI: 10.1093/cid/cix731
  12. Big data in health care: using analytics to identify and manage high-risk and high-cost patients / D.W. Bates, S. Saria, L. Ohno-Machado, A. Shah, G. Escobar // Health Aff. (Millwood). – 2014. – Vol. 33, № 7. – P. 1123–1131. DOI: 10.1377/hlthaff.2014.0041
  13. Желнина Т.П. Факторы риска развития инфекций, связанных с оказанием медицинской помощи у пациенток акушерского стационара // Медицинский альманах. – 2017. – № 4 (49). – С. 37–40.
  14. Ain S.Q.U., Rather K.U.I. Integrated statistical modeling and machine learning techniques with SHAP for epidemio-logical data analysis // Ann. Epidemiol. – 2025. – Vol. 108. – P. 85–91. DOI: 10.1016/j.annepidem.2025.06.012
  15. Risk of early-onset neonatal infection with maternal infection or colonization: a global systematic review and meta-analysis / G.J. Chan, A.C.C. Lee, A.H. Baqui, J. Tan, R.E. Black // PLoS Med. – 2013. – Vol. 10, № 8. – P. e1001502. DOI: 10.1371/journal.pmed.1001502
  16. Topol E.J. High-performance medicine: the convergence of human and artificial intelligence // Nat. Med. – 2019. – Vol. 25, № 1. – P. 44–56. DOI: 10.1038/s41591-018-0300-7
  17. Sullivan B.A., Grundmeier R.W. Machine Learning Models as Early Warning Systems for Neonatal Infection // Clin. Perinatol. – 2025. – Vol. 52, № 1. – P. 167–183. DOI: 10.1016/j.clp.2024.10.011
  18. The aetiology and antimicrobial resistance of bacterial maternal infections in Sub-Saharan Africa – a systematic review and meta-analysis / C. Chapuma, H.H. Twabi, E.J.M. Monk, J. Jafali, A. Weeks, E. Beales, D. Kulapani, A. Selemani [et al.] // BMC Infect. Dis. – 2024. – Vol. 24, № 1. – P. 978. DOI: 10.1186/s12879-024-09855-3
  19. A machine learning model for prediction of early-onset neonatal sepsis in low- and middle-income countries: Devel-opment and validation study: preprint / D. Kainth, A. Gupta, P. Singh, S. Prakash, A. Thukral, A. Deorari, M. Kapoor, R. Agarwal [et al.] // medRxiv. – 2025. DOI: 10.1101/2025.09.20.25335989
  20. The role of machine learning methods in assessing the risk of neonatal sepsis: A study of biochemical markers and genetic variants / X. Zhao, M. Yang, X. Feng, P. Zhao, S. Zhu, K. Liu // Medicine (Baltimore). – 2025. – Vol. 104, № 41. – P. e45147. DOI: 10.1097/MD.0000000000045147
  21. A simple predictive model for puerperal infections: emphasizing risk factors and pathogen analysis / Y. Wen, X. Ming, J. Yang, H. Qi // Front. Cell. Infect. Microbiol. – 2024. – Vol. 14. – P. 1464485. DOI: 10.3389/fcimb.2024.1464485
  22. Burden of Antimicrobial Resistance Among Women with Post-Partum Infections in Low-Middle Income Countries: A Systematic Review / C. Monari, L. Onorato, N. Coppola, M.C.B. Raviglione, G. Gon // J. Epidemiol. Glob. Health. – 2024. – Vol. 14, № 2. – P. 274–290. DOI: 10.1007/s44197-024-00222-8
  23. Constructing a predictive model for early-onset sepsis in neonatal intensive care unit newborns based on SHapley Additive exPlanations explainable machine learning / X. Tan, X. Zhang, J. Chai, W. Ji, J. Ru, C. Yang, W. Zhou, J. Bai, Y. Xiong // Transl. Pediatr. – 2024. – Vol. 13, № 11. – P. 1933–1946. DOI: 10.21037/tp-24-278
  24. Maternal Colonization, Perinatal Exposure, and Neonatal Acquisition of Resistant Enterobacterales / L.B. Mithal, A. Sajwani, A. Aaron, W. Shuai, A. Kremer, A.D. Watson, J.T. Sumner, V.C. Castro Manzano [et al.] // Open Forum Infect. Dis. – 2023. – Vol. 13, № 1. – P. ofaf769. DOI: 10.1093/ofid/ofaf769
  25. Риски инфекций, связанных с оказанием медицинской помощи: проблемы и подводные камни / Н.И. Шулакова, А.В. Тутельян, В.В. Малеев, В.Г. Акимкин // Анализ риска здоровью. – 2023. – № 2. – С. 104–114. DOI: 10.21668/health.risk/2023.2.10
  26. Genomic transmission analysis of multidrug-resistant Gram-negative bacteria within a newborn unit of a Kenyan tertiary hospital: A four-month prospective colonization study / D. Villinger, T.G. Schultze, V.M. Musyoki, I. Inwani, J. Aluvaala, L. Okutoyi, A.-H. Ziegler, I. Wieters [et al.] // Front. Cell. Infect. Microbiol. – 2022. – Vol. 12. – P. 892126. DOI: 10.3389/fcimb.2022.892126
  27. Perinatal colonization with extended-spectrum beta-lactamase-producing and carbapenem-resistant gram-negative bacte-ria among home births in Bangladesh / G.S. Wu, H. Hossain, M.B. Amin, S. Parveen, M.A. Islam, A.S. Sraboni, A.F.M. Pervez, D. Zeba [et al.] // PLoS One. – 2025. – Vol. 20, № 9. – P. e0325404. DOI: 10.1371/journal.pone.0325404
  28. Stunted microbiota and opportunistic pathogen colonisation in caesarean-section birth / Y. Shao, S.C. Forster, E. Tsaliki, K. Vervier, A. Strang, N. Simpson, N. Kumar, M.D. Stares [et al.] // Nature. – 2019. – Vol. 574, № 7776. –
    P. 117–121. DOI: 10.1038/s41586-019-1560-1
  29. Perinatal colonization with extended-spectrum beta-lactamase-producing and carbapenem-resistant Gram-negative bacteria: a hospital-based cohort study / A. Styczynski, M.B. Amin, K.I. Hoque, S. Parveen, A.F.M. Pervez, D. Zeba, A. Akhter, H. Pitchik [et al.] // Antimicrob. Resist. Infect. Control. – 2024. – Vol. 13, № 1. – P. 13. DOI: 10.1186/s13756-024-01366-9
  30. Machine learning applications on neonatal sepsis treatment: a scoping review / C. O’Sullivan, D.H.-T. Tsai,
    I.C.-Y. Wu, E. Boselli, C. Hughes, D. Padmanabhan, Y. Hsia // BMC Infect. Dis. – 2023. – Vol. 23, № 1. – P. 441. DOI: 10.1186/s12879-023-08409-3
  31. Using Machine Learning to Predict Antimicrobial Resistance – A Literature Review / A. Sakagianni, C. Koufopoulou, G. Feretzakis, D. Kalles, V.S. Verykios, P. Myrianthefs, G. Fildisis // Antibiotics (Basel). – 2023. – Vol. 12, № 3. – P. 452. DOI: 10.3390/antibiotics12030452
  32. Ardila C.M., González-Arroyave D., Tobón S. Machine learning for predicting antimicrobial resistance in critical and high-priority pathogens: A systematic review considering antimicrobial susceptibility tests in real-world healthcare settings // PLoS One. – 2025. – Vol. 20, № 2. – P. e0319460. DOI: 10.1371/journal.pone.0319460
  33. Machine learning in predicting antimicrobial resistance: a systematic review and meta-analysis / R. Tang, R. Luo, S. Tang, H. Song, X. Chen // Int. J. Antimicrob. Agents. – 2022. – Vol. 60, № 5–6. – P. 106684. DOI: 10.1016/j.ijantimicag.2022.106684
  34. Machine Learning Models to Establish the Risk of Being a Carrier of Multidrug-Resistant Bacteria upon Admission to the ICU / S. Carvalho-Brugger, M. Miralbés Torner, G.J. Jiménez, M.V. Vidal, B.B. Garrido, X.N. Casals, M.P. Martínez, J.T. Cabello // Antibiotics (Basel). – 2025. – Vol. 14, № 9. – P. 889. DOI: 10.3390/antibiotics14090889
  35. Predicting probability of perirectal colonization with carbapenem-resistant Enterobacteriaceae (CRE) and other carbap-enem-resistant organisms (CROs) at hospital unit admission / K.E. Goodman, P.J. Simner, E.Y. Klein, A.Q. Kazmi, A. Gadala, M.F. Toerper, S. Levin, P.D. Tamma [et al.] // Infect. Control Hosp. Epidemiol. – 2019. – Vol. 40, № 5. – P. 541–550. DOI: 10.1017/ice.2019.42
  36. Strain-Level Analysis of Mother-to-Child Bacterial Transmission during the First Few Months of Life / M. Yassour, E. Jason, L.J. Hogstrom, T.D. Arthur, S. Tripathi, H. Siljander, J. Selvenius, S. Oikarinen [et al.] // Cell Host Microbe. – 2018. – Vol. 24, № 1. – P. 146–154.e4. DOI: 10.1016/j.chom.2018.06.007
  37. McMahon S., Franklin S., Galloway-Peña J. Utilization of machine learning to predict antibiotic resistant event out-comes in acute myeloid leukemia patients undergoing induction chemotherapy // Front. Cell. Infect. Microbiol. – 2025. – Vol. 15. – P. 1629422. DOI: 10.3389/fcimb.2025.1629422
  38. Generalizability of machine learning in predicting antimicrobial resistance in E. coli: a multi-country case study in Africa /
    M. Nsubuga, R. Galiwango, D. Jjingo, G. Mboowa // BMC Genomics. – 2024. – Vol. 25, № 1. – P. 287. DOI: 10.1186/s12864-024-10214-4
  39. Maternal Colonization, Perinatal Exposure, and Neonatal Acquisition of Resistant Enterobacterales / L.B. Mithal, A. Sajwani, A. Aron, W. Shuai, A. Kremer, A.D. Watson, J.T. Sumner, V.C.C. Manzano [et al.] // Open Forum Infect. Dis. – 2026. – Vol. 13, № 1. – P. ofaf769. DOI: 10.1093/ofid/ofaf769
  40. Bautista J., López-Cortés A. Microbial beginnings: determinants and disruptions of the neonatal microbiome // Front. Microbiol. – 2025. – Vol. 16. – P. 1672780. DOI: 10.3389/fmicb.2025.1672780
Получена: 
15.04.2026
Одобрена: 
29.05.2026
Принята к публикации: 
28.09.2026

Вы здесь

Главная