夜雨聆风点击上方蓝字“中华围产医学杂志” →选择关注| 点击右上角“···” → 选择“设为星标 ★
本文引用格式：郑建琼, 张红萍, 王叶平, 等. 高危孕产妇预警管理体系和基于人工智能风险评估的研究进展[J].中华围产医学杂志, 2025, 28(10): 850-855. DOI: 10.3760/cma.j.cn113903-20250625-00331.
郑建琼1 张红萍1 王叶平1 胡仙清1 何舰2胡鑫3
1温州医科大学温州市第三临床学院（温州市人民医院、温州市妇幼保健院）妇产科，温州 325000；2杭州乾瑾科技有限公司，杭州 310000；3温州市市级公办医院管理中心，温州 325000
通信作者：胡鑫，Email：39239262@qq.com，电话：0577-88580192
随着我国生育政策的调整，高龄孕妇比例增加，高龄孕妇危急重症的及早识别对成功救治至关重要。本文系统综述了产科预警管理体系的发展，以及以机器学习为基础的人工智能在高危孕产妇的风险评估中的进展。随着人工智能技术的发展，未来将打造出高危孕产妇智能电子病历系统，生成高危孕产妇预警管理临床决策支持方案和危急重症孕产妇协同救治体系。
【关键词】高危孕产妇；产科预警管理系统；人工智能
基金项目：温州医科大学教育改革项目（JG2023017）；浙江省卫生厅省委共建重点项目（WKJ-ZJ-2555）；温州市重大科技创新攻关项目（ZY2024031）
孕产妇死亡率（maternal mortality ratio， MMR）是世界公认的衡量一个国家地区医疗保健、经济发展水平的重要指标［1］。研究显示，过去的二十几年里，全球在降低MMR方面取得了不错的进展。我国MMR从2010年的30/10万［2］下降到2024年的14.3/10万［3］。但对于孕产妇死亡分析显示，即便是英美发达国家，仍有超过50%的孕产妇死亡是可避免的［4-5］。因此要实现联合国“2030年可持续发展目标”，全球需继续努力，最终消除可预防的孕产妇死亡。
一、概述
随着我国生育政策的调整，高龄孕妇比例增加。与此同时，妊娠并发症的发生率呈上升趋势，这对保障母婴安全提出挑战［6］。在我国，孕产期保健由不同级别的医疗机构提供，覆盖基层的乡镇卫生院/社区卫生服务中心到三级医疗机构。陈自力等［7］通过对重度子痫前期孕妇发病前的产前检查资料进行分析发现，基层医院存在不能识别产前检查过程中的预警因素、对高危人群疏于管理、转诊滞后等问题。此外，自2024年起，我国已部署各地卫生健康行政部门重点推进县域内医学检验、医学影像、心电诊断等资源共享中心建设，以此为着力点加快实施紧密型县域医共体检查检验结果互认工作［8］。目前高危孕产妇信息化管理系统仍存在高危评分条目不全、容易漏报、高危随访系统不完善、危重报卡上报流程繁琐等缺点［9］。随着人工智能（artificial intelligence，AI）的推广，其在搭建智能电子数据库［10］、预测疾病发生和不良结局方面［11］表现出色。基于此，亟须利用AI技术构建信息化产前预警系统，并建立高危孕产妇预警管理临床决策支持体系，以实现对高危孕产妇的预防性管理。
二、高危孕产妇预警管理体系
1.国外高危孕产妇预警管理体系发展历程：20世纪90年代，英国学者率先提出了早期预警评分（early warning score，EWS）［12］，其基于收缩压、脉率、呼吸频率、体温和快速意识状态5个生理参数和异常状态进行评分，监测患者在住院期间的健康状况［13-14］。当总分超过阈值时，EWS触发警报，对患者进行护理升级和及时干预，从而改善临床结局［15］。该系统作为一种临床决策支持工具，既可通过传统纸质表单实施，亦可在信息化硬件或软件平台运行。
由于妊娠期孕妇各器官系统会发生一系列生理变化，EWS中各项指标的阈值也会随之发生改变。学者们针对高危孕产妇EWS如何进行改良，展开了大量的研究，制定了相应的预警评分和触发系统。
英国母婴咨询中心首次将改良的产科早期预警系统（modified early obstetric warning system，MEOWS）列为官方推荐工具，用于识别住院孕产妇病情恶化的早期征象，以便及时干预，降低孕产妇死亡率和严重并发症［16］。相较EWS，MEOWS额外增加了疼痛评分，并以出现2个中度异常指标（黄色预警）或者1个重度异常指标（红色预警）作为触发点，以便进一步评估和快速应答。2012年，Singh等［17］对MEOWS进行验证，结果显示MEOWS预测的灵敏度为89%（95%CI：81%~95%），特异度为79%（95%CI：76%~82%），初步验证MEOWS在产科中作为预测发病率的有效床旁工具。2013年Carle等［18］与英国重症监护国家审计和研究中心合作构建了新的赋值累积计分的产科早期预警评分（obstetric early warning score，OEWS），增加了吸入氧浓度参数。相比MEOWS，OEWS在重症监护数据集中对患者死亡的预测展现出更优异的性能［受试者工作特征曲线下面积（area under the curve， AUC）分别为0.995和0.937］。自此，MEOWS、OEWS在英国正式被推广应用，并成为全球产科高危/危重孕产妇早期识别的基础模型。近期报道显示，累计有28种EWS应用于产科人群［19］。Shields等［20］开发了孕产妇早期预警触发（maternal early warning trigger，MEWT）工具，并纳入11 399例孕妇进行验证，发现使用MEWT工具降低了危重症孕产妇发病率和复合发病率（P<0.01）。Paternina-Caicedo等［21］纳入702例住院的危重症孕妇对OEWS进行验证发现，OEWS正常值和OEWS>6的死亡率分别为0%和6.3%，且OEWS在预测孕产妇死亡方面的AUC为0.84。
2.国内高危孕产妇预警管理体系发展历程：基于世界卫生组织建议根据疾病表现症状和体征来筛查、识别妊娠危险因素的理念，上海于2008年制定了“妊娠风险预警评估筛查表”，并提出“五色（绿、黄、橙、红、紫）”孕妇妊娠风险评估分类表［22］。各医疗保健机构应在孕妇首次产前检查时即启动妊娠风险评估工作，依据风险预警等级实施分级管理，并在整个妊娠期开展动态随访与持续评估。在实施后半年内，上海市孕产妇死亡率控制在9.61/10万，达到发达国家水平。2017年，国家卫生和计划生育委员会正式发布“孕产妇妊娠风险评估与管理工作规范”，建议各级医疗机构对孕妇从妊娠期至产后42 d进行筛查、评估和检测，以确保母婴安全。根据“妊娠风险预警评估筛查表”，对于孕期风险筛查阳性孕妇，建议及时转诊，采取干预措施［23］。其他孕期风险分级管理系统包括“三色（红色、蓝色和黄色）”［24］和“四色（绿色、黄色、橙色和红色）”［25］妊娠风险分级管理系统。上述分级管理系统在上海市17个区县246家社区卫生服务中心的筛查结果进一步验证发现其改善了高风险孕妇的围产结局（如提高分娩成功率、降低孕妇死亡率和新生儿不良结局发生率）和三级医院的临床护理质量（如降低孕妇的焦虑状态和并发症发生率）［26-27］。另外也有一些研究依据EWS使用改良后的评分方法来评估高危孕产妇。赵紫榆等［28］采用针对孕产妇的病情特点设计产科潜在危重症评分法对3 269例住院分娩孕妇（包括137例危重病例）进行评分，结果发现此评分最佳界值为3分，评分越高，发展为危重症的风险越大（灵敏度73.72%，特异度92.21%）。四川大学华西第二医院妇产科团队通过对352例重症监护室（intensive care unit，ICU）孕妇（包含290例严重并发症的孕妇）采用5种评分系统进行效能分析发现，该团队改良的产科预警评分（modified obstetric early warning score，MOEWS）［29］较其他3种产科预警评分（OEWS、MEOWS和MEWT）和1种非产科评分-急性生理和慢性健康评估Ⅱ（acute physiology and chronic health evaluation Ⅱ，APACHE Ⅱ）具有更高的灵敏度（96.9%）和特异度（98.4%），预测危重孕产妇的死亡率和常见妊娠期并发症的AUC分别为0.91和>0.80［30］。
综上所述，产科早期预警管理在国内外已有相当规模的应用，并取得一定效果。但不同国家、机构、评估指标和触发阈值尚未形成统一标准，存在偏倚风险［31-32］。脓毒症、严重产后出血、子痫前期或重度子痫、子宫破裂等疾病的特异性预警指标也存在一定的差异。MEOWS或爱尔兰母婴早期警报系统（Irish maternity early warning system，IMEWS），均未显示出独立诊断脓毒症的准确性［19，33-34］。一项系统综述显示，目前关于产科早期预警系统在降低MMR方面有效性的证据尚不充分［35］。因此随着AI的发展，开发适应程度更高的产科预警系统展现出广阔的应用前景。
三、AI在产科预警中应用
在产科预警方面，覃开舟和须成杰［36］基于住院电子病历数据构建了孕早期样本数据库，运用机器学习分类算法建立患病风险预测模型，实现了对孕早期发病的有效预测与及时预警。Ryan等［37］建议通过机器建模来改变MEOWS触发参数来提高预测ICU入院的准确性。随着研究的深入，AI逐渐细化到部分产科专病的预警研究中。
1.AI在高危孕产妇产科专病预测方面的应用：产后出血作为孕产妇死亡的首要原因［38］，是分娩期最严重的并发症，故对于产后出血的精准预测尤其重要。2022年，Liu等［39］使用机器学习方法对904例产后出血患者的49个临床数据进行建模，结果发现，子宫收缩频率和强度对严重产后出血具有很高的预测价值，其中2 h内出血量对产后出血有更好的预警作用（AUC>0.9）。Lengerich等［40］纳入美国19家医院共857 663例孕产妇的数据进行建模与验证，并与美国加州母婴质量护理协作组织开发的美国加利福尼亚州孕产妇优质保健协会（Californian Maternal Quality Care Collaborative，CMQCC）工具包中的出血风险因素评估筛查表比较发现，此模型在预测产后出血的AUC为0.67，显著优于CMOCC（AUC为0.52）。此外，在CMQCC筛查阳性率为16.8%的情况下，模型的灵敏度为36.9%，优于CMOCC筛查的灵敏度20.30%。这项大数据的临床研究突出了AI在高危孕产妇产后出血预警方面的潜在优势。
子痫前期是全球孕产妇和围产儿死亡及严重疾病的主要原因［41-42］，在我国的患病率为4.5%［43］。常规产科预警系统将血压［44］联合蛋白尿、水肿情况和血小板计数［45］纳入子痫前期的预警系统。一旦上述指标出现异常进行预警：（1）黄色预警系统：收缩压140~159 mmHg（1 mmHg=0.133 kPa）和/或舒张压 90~109 mmHg（但两者均未超过上限）；（2）红色预警系统：收缩压≥160 mmHg和/或舒张压≥110 mmHg、蛋白尿（0.3 g/d）、血小板计数低于1×108/L等，针对提示预警的孕妇，应嘱咐其增加产前检查次数，于1周内返诊，同时关注孕妇自觉症状［46］。但该筛查方法检出率较低，临床亟须假阳性率更低、更准确的诊断工具进行早期评估。随着研究的深入，一些指标如血管生成因子相关指标（胎盘生成因子［47］、血管内皮生成因子［48］）、肝损害相关指标和母体血液中循环的胎儿游离DNA［49］已被证实与子痫前期的发生及预测相关。英国胎儿医学基金会利用母体特征、产科资料和病史以及各种实验室检测结果开发了一种贝叶斯定理的子痫前期预测模型，该方法在10%的假阳性率下实现了75%的检出率，已经在国内外临床大样本中得到验证［50-51］，是目前最有效的早期子痫前期筛查模型。
通过AI支持数据分析平台，Bonet等［52］提供了识别孕产妇感染和脓毒症的可操作标准，以及用于全球改进诊断和治疗的标准化数据。基于上述研究，Anyanwu等［53］利用机器学习方法分析了尼日利亚地区孕产妇脓毒症风险的相关因素，结果发现留置导尿管的患者为高风险人群。另有研究发现，采用快速序贯器官衰竭评估［54］标准纳入的脓毒症孕妇，其血清降钙素原的浓度显著高于正常孕妇［55］。这些发现为脓毒症早期预警系统的改进提供理论依据。此外，最近的一项研究来自世界卫生组织全球孕产妇脓毒症研究小组［19］。该研究基于21种早期预警系统在来自46个国家的2 560例疑似或确诊感染妇女中进行评估，结果发现，这些评分系统普遍存在高灵敏度但特异度低，或者高特异度但低灵敏度的现象，因而尚无单一评分系统能够实现脓毒症的高准确性鉴别。通过整合产科特异性早期预警系统与其他临床指标，并采用机器学习技术构建预测模型，可显著提升对有脓毒症风险的孕产妇人群的识别效能、风险评估及临床干预时效性（AUC为0.75~0.85）。总之，上述研究发现，可能重新定义高危孕妇相关并发症的诊断，并作为评分系统的潜在替代指标。
2.AI在高危孕产妇不良妊娠结局预测方面的应用：目前还没有明确的治疗方法可以减缓子痫前期的进展，唯一方式是分娩胎盘和胎儿。常规治疗方案包括孕期管理延长孕周，并采用药物来控制血压、预防癫痫发作和促进胎肺成熟［56］。因此，建立子痫前期不良妊娠结局的AI预测模型，对于识别有可能发生不良妊娠结局的孕妇，找到“期待与终止”的平衡点，从而选择终止妊娠的时机，具有重要临床意义。目前经典的大型AI预测模型有fullPIERS模型和miniPIERS模型。fullPIERS模型通过外部验证发现其对子痫前期孕妇入院48 h内可能发生不良妊娠结局的AUC>0.8，预测具有较高的准确性［57］。因此，2018年国际妊娠高血压研究学会指南［58］推荐将fullPIERS模型补充到子痫前期的初始评估中。但fullPIERS模型的相关研究单位主要集中在高收入国家（英国、新西兰、加拿大及澳大利亚）的三级医疗中心，极大程度上限制了其临床普适性。有研究收集了2 081例来自中低收入国家的妊娠期高血压疾病患者的临床资料用于构建miniPIERS模型［59］。通过内外部验证，发现其预测妊娠期高血压疾病患者入院后48 h内发生不良妊娠结局的AUC>0.7。同时，研究根据预测结果提出了应对策略，当预测风险值≥15%时，增加监测频次，当预测风险值≥25%时，应将患者转诊至具有产科急救能力的医院。miniPIERS模型的优势在于可以提高初级医疗保健机构人员对高风险孕妇的识别能力，实现分级管理同时避免延误治疗。
孕产妇入住ICU主要原因为妊娠期产科和非产科并发症［60-61］，故对入住ICU的孕妇进行不良结局的预测至关重要。加拿大Payne等［62］使用LASSO机器学习算法开发了多变量协作综合妊娠高依赖风险估计（collaborative integrated pregnancy high-dependency estimate of risk，CIPHER）模型对发生不良结局的高风险女性具有良好的预测效能（AUC为0.82），并提供了一个CIPHER计算器用于外部验证来扩展这个模型的范围。然而使用该模型对巴西入住ICU孕产妇预后进行预测的效能较差（AUC为0.53）［63］。该研究表明在低收入和中等收入国家公共医院接受ICU治疗的孕产妇，可能需要使用不同的预测指标。上述研究表明对于不同经济水平的国家，有必要开发适合本区域发展水平的预测模型。
四、AI在高危孕产妇风险评估与协同救治中的前景
在医学产科信息研究领域，随着AI技术的不断发展，针对高危孕产妇人群，AI未来拟进一步开展的方向主要包括以下几方面。
1.高危孕产妇智能电子病历系统：openEHR是一个开源的电子健康档案规范，致力于将健康数据从物理形式转变为电子形式，并确保所有形式电子数据之间的通用互操作性［64］。这个系统为风险模型的验证提供了数据支持。基于openEHR架构，在电子病历相关标准基础上，根据妇幼体系专科化需求进行扩展，未来拟打造“亚专科数据模型-亚专科业务模型-亚专科病历应用”三级病历架构，构建语义约束的智能病历模型。
2.高危孕产妇预警管理临床决策支持系统：2024年发布的《卫生健康行业人工智能应用场景参考指引》指出AI可参与临床专病智能辅助决策［65］。目前基于AI的临床决策支持系统在妇产科领域如妇科肿瘤的早期诊断［66］、早期妊娠的诊断［67］及孕期保健［68］已有广泛的应用。基于智能电子病历系统，构建可靠的风险模型，改进产科早期预警模型，通过实时采集产科亚专科病历的结构化数据，自动化生成医学解释、临床诊断建议和治疗方案，最终构建高危孕产妇预警管理临床决策支持系统，推动医学临床决策从以个人经验为主导，到依据循证医学证据，再逐步向基于临床数据的可靠决策模型转变。
3.急危重孕产妇协同救治系统：参照急诊医学科5G+实景增强急危重症协同救治系统的设计理念［69］，未来拟对预警后的产科急救提供多学科团队及快速反应团队协同救治支持，在AI支持下自动生成产科协作申请材料从而实现产科快速反应团队的一键触发，同步启动多学科团队线下/线上实时合作诊治并自动生成会诊意见。
综上所述，高危孕产妇由于妊娠期并发症/合并症，病情更加复杂，常需要急救支持。早期识别高危孕产妇病情变化，快速做出反应，并联合多学科对患者进行救治，是提高孕产妇救治成功率及降低死亡率的重要措施。本文就产科预警管理体系的发展以及以机器学习为基础的AI在高危孕产妇的风险评估中的进展进行了综述，但截至目前尚无能够适用于所有产科危急重症的最佳预警系统。未来基于AI在高危孕产妇预警管理体系中的不断发展，有希望打造现代产房团队医疗的“预见-预防-预警-应急”系统全流程，促使危急重症孕产妇的救治更加准确、快速和高效。
利益冲突所有作者声明不存在利益冲突
参考文献
[1] Zhang H, Jiang JX, Xia J, et al. Analysis of clinical application effects and challenges of early warning system for the high-risk obstetric women of China: a scoping review[J]. J Clin Nurs, 2023,32(9-10):2073-2085. DOI: 10.1111/jocn.16288.
[2] 周远洋, 朱军, 王艳萍, 等. 1996-2010年全国孕产妇死亡率变化趋势[J].中华预防医学杂志,2011,45(10):934-939. DOI: 10.3760/cma.j.issn.0253-9624.2011.10.018.
Zhou YY, Zhu J, Wang YP, et al. Trends of maternal mortality ratio during 1996 -2010 in China[J]. Chin J Prevent Med,2011,45(10):934-939. DOI: 10.3760/cma.j.issn.0253-9624.2011. 10.018.
[3] 中华人民共和国国家卫生健康委员会. 引领全球健康走向更具韧性的未来[EB/OL]. (2025-05-20) [2025-09-10]. https://www.nhc.gov.cn/xcs/c100122/202505/a251e928e28b4594a514fda0910c975e.shtml.
National Health Commission of the People's Republic of China. Leading global health toward a more resilient future [EB/OL]. (2025-05-20)[2025-09-10]. https://www.nhc.gov.cn/xcs/c100122/202505/a251e928e28b4594a514fda0910c975e.shtml.
[4] Cantwell R, Clutton-Brock T, Cooper G, et al. Saving Mothers' Lives: Reviewing maternal deaths to make motherhood safer: 2006-2008. The Eighth Report of the Confidential Enquiries into Maternal Deaths in the United Kingdom[J]. BJOG, 2011,118 Suppl 1:1-203. DOI: 10.1111/j.1471-0528.2010.02847.x.
[5] Main EK, McCain CL, Morton CH, et al. Pregnancy-related mortality in California: causes, characteristics, and improvement opportunities[J]. Obstet Gynecol, 2015,125(4):938-947. DOI: 10.1097/AOG.0000000000000746.
[6] 汤振宇, 夏经炜, 李雪莲, 等. 2013-2018年上海市中心城区危重孕产妇发生情况[J].中国妇幼保健,2021,36(10):2378-2380. DOI: 10.19829/j.zgfybj.issn.1001-4411.2021.10.060.
Tang ZY, Xia JW, Li XL, et al. Occurrence of critical pregnant women in central urban areas of Shanghai from 2013 to 2018 [J]. Matern Child Health Care China,2021,36(10):2378-2380. DOI: 10.19829/j.zgfybj.issn.1001-4411.2021.10.060.
[7] 陈自力,杨莉莉,杨孜,等. 发病前重度子痫前期患者临床预警因素分析[J]. 中华医学杂志,2019,99(31):2459-2462. DOI:10.3760/cma.j.issn.0376-2491.2019.31.011.
Chen ZL，Yang LL，Yang Z, et al. Analysis of clinical early warning informations of severe preeclampsia before onset[J].Natl Med J China,2019,99(31):2459-2462. DOI:10.3760/cma.j.issn. 0376-2491.2019.31.011.
[8] 国家卫生健康委员会, 国家发展改革委, 财政部, 等. 关于进一步推进医疗机构检查检验结果互认的指导意见[EB/OL]. (2024-11-08)[2025-08-22]. https://www.gov.cn/gongbao/2025/issue_11846/202502/content_7002779.html.
National Health Commission, National Development and Reform Commission, Ministry of Finance of the People's Republic of China, et al. Guiding opinions on further advancing the mutual recognition of examination and test results among medical institutions[EB/OL]. (2024-11-08)[2025-08-22]. https://www.gov.cn/gongbao/2025/issue_11846/202502/content_7002779.html.
[9] 周琳颖. 高危孕产妇分级管理系统设计[J]. 数字化用户,2021,27(2):65-66,69.
Zhou LY. Design of a hierarchical management system for high-risk pregnant women[J]. Digitization User,2021,27(2):65-66,69.
[10] 钟国梁,蔡思婕,李帅杰,等.基于云计算的智能交通信息采集系统设计与实现[J].电脑知识与技术,2022,18(4):1-6.DOI:10.14004/j.cnki.ckt.2022.0207.
Zhong GL, Cai SJ, Li SJ, et al. Design and implementation of an intelligent traffic information collection system based on cloud computing[J]. Computer Knowledge Tech, 2022,18(4):1-6.DOI:10.14004/j.cnki.ckt.2022.0207.
[11] 温慧莹,李笑天. 人工智能及机器学习深度算法在产科母胎疾病中的应用[J]. 中国实用妇科与产科杂志,2024,40(8):804-809. DOI:10.19538/j.fk2024080109.
Wen HY, Li XT. Application of artificial intelligence and machine learning deepalgorithms in obstetric maternal and fetal diseases[J]. Chin J Pract Gynecol Obstet,2024,40(8):804-809. DOI:10.19538/j.fk2024080109.
[12] Morgan R, Lloyd-Williams F, Wright M, et al. An early warning scoring system for detecting developing critical illness[J].Clinical Intensive Care, 1997, 8(2):100.
[13] Gerry S, Bonnici T, Birks J, et al. Early warning scores for detecting deterioration in adult hospital patients: systematic review and critical appraisal of methodology[J]. BMJ, 2020,369:m1501. DOI: 10.1136/bmj.m1501.
[14] Smith ME, Chiovaro JC, O'Neil M, et al. Early warning system scores for clinical deterioration in hospitalized patients: a systematic review[J]. Ann Am Thorac Soc, 2014,11(9):1454- 1465. DOI: 10.1513/AnnalsATS.201403-102OC.
[15] Morgan RJ, Wright MM. In defence of early warning scores[J]. Br J Anaesth, 2007,99(5):747-748. DOI: 10.1093/bja/aem286.
[16] Lyons G. Saving mothers' lives: confidential enquiry into maternal and child health 2003-5[J]. Int J Obstet Anesth, 2008,17(2):103-105. DOI: 10.1016/j.ijoa.2008.01.006.
[17] Singh S, McGlennan A, England A, et al. A validation study of the CEMACH recommended modified early obstetric warning system (MEOWS)[J]. Anaesthesia, 2012,67(1):12-18. DOI: 10.1111/j.1365-2044.2011.06896.x.
[18] Carle C, Alexander P, Columb M, et al. Design and internal validation of an obstetric early warning score: secondary analysis of the Intensive Care National Audit and Research Centre Case Mix Programme database[J]. Anaesthesia, 2013,68(4):354-367. DOI: 10.1111/anae.12180.
[19] Chimwaza Y, Hunt A, Oliveira-Ciabati L, et al. Early warning systems for identifying severe maternal outcomes: findings from the WHO global maternal sepsis study[J]. EClinicalMedicine, 2025,79:102981. DOI: 10.1016/j.eclinm.2024.102981.
[20] Shields LE, Wiesner S, Klein C, et al. Use of maternal early warning trigger tool reduces maternal morbidity[J]. Am J Obstet Gynecol, 2016,214(4):527.e1-527.e6. DOI: 10.1016/j.ajog. 2016.01.154.
[21] Paternina-Caicedo A, Miranda J, Bourjeily G, et al. Performance of the obstetric early warning score in critically ill patients for the prediction of maternal death[J]. Am J Obstet Gynecol, 2017,216(1):58.e1-58.e8. DOI: 10.1016/j.ajog.2016.09.103.
[22] 秦敏,杜莉,施红,等.上海市妊娠风险预警评估管理模式初探[J].中国妇幼保健,2011,26(31):4805-4807.
Qin M，Du L，Shi H，et al. Primary study of pregnancy risk precaution and assessment management system in Shanghai[J]. Matern Child Health Care China,2011,26(31):4805-4807.
[23] 中华人民共和国国家卫生和计划生育委员会. 孕产妇妊娠风险评估与管理工作规范[J].中国实用乡村医生杂志,2017,24(12):5-7. DOI: 10.3969/j.issn.1672-7185.2017.12.004.
National Health and Family Planning Commission of the People's Republic of China. Work specifications for risk assessment and management of maternal pregnancy[J]. Chin Pract J Rural Dr, 2017,24(12):5-7. DOI: 10.3969/j.issn.1672- 7185.2017.12.004.
[24] 钟琳, 肖婷婷, 甘淑珍, 等. 三色预警技术在高危孕产妇护理管理中的应用[J].医疗装备,2017,30(18):150-151. DOI: 10.3969/j.issn.1002-2376.2017.18.119.
Zhong L, Xiao TT Gan SZ, et al. Application of three-color early warning technology in nursing management of high-risk pregnant women[J]. Med Equipment, 2017,30(18):150-151. DOI: 10.3969/j.issn.1002-2376.2017.18.119.
[25] 李红雨,王丹,罗园,等. 重庆市沙坪坝区危重孕产妇风险预警体系运行评估研究[J]. 中国实用妇科与产科杂志,2017,33(9):945-948. DOI:10.19538/j.fk2017090116.
Li HY, Wang D, Luo Y, et al. Evaluation on function of risk early warning system for maternal near miss in Shapingba district of Chongqing[J]. Chin J Pract Gynecol Obstet, 2017,33(9):945-948. DOI:10.19538/j.fk2017090116.
[26] 花静,朱丽萍,杜莉,等. 妊娠风险预警评估对改善围产结局的效果[J]. 中华围产医学杂志,2016,19(3):200-205. DOI:10.3760/cma.j.issn.1007-9408.2016.03.009.
Hua J,Zhu LP,Du L, et al. Effectiveness of early warning assessment for risks and management during pregnancy on perinatal outcomes[J]. Chin J Perinat Med,2016,19(3):200-205. DOI:10.3760/cma.j.issn.1007-9408.2016.03.009.
[27] 隋珍,张春芳,苏春宏,等. 三色预警管理在产科危急重症中的应用[J]. 中国医师杂志,2017,19(9):1291-1293. DOI:10.3760/cma.j.issn.1008-1372.2017.09.003.
Sui Z, Zhang CF, Su CH, et al. The application of three color warning in obstetric disease[J]. J Chin Physician, 2017,19(9):1291-1293. DOI:10.3760/cma.j.issn.1008-1372.2017.09.003.
[28] 赵紫榆,周小金,汤月萍,等. 产科“潜在危重症”评分的设计及对3269例孕妇病情评价的应用研究[J]. 中华危重病急救医学,2013,25(5):298-300. DOI:10.3760/cma.j.issn.2095-4352.2013. 05.015.
Zhao ZY, Zhou XJ, Tang YP, et al. Design of obstetrical "potential severe disease" score and its application in 3269 pregnant women[J]. Chin Crit Care Med, 2013,25(5):298-300. DOI:10.3760/cma.j.issn.2095-4352.2013.05.015.
[29] Xu Y, Zhu S, Song H, et al. A new modified obstetric early warning score for prognostication of severe maternal morbidity[J]. BMC Pregnancy Childbirth, 2022,22(1):901. DOI: 10.1186/s12884-022-05216-7.
[30] Xu Y, Zhu S, Song H, et al. Comparison of the efficacy for early warning systems in predicting obstetric critical illness[J]. Eur J Obstet Gynecol Reprod Biol, 2024,296:327-332. DOI: 10.1016/j.ejogrb.2024.03.025.
[31] Chester-Jones M, Kirtley S, Er F, et al. Maternal early warning scores shown to be methodologically weak and at high risk of bias[J]. J Clin Epidemiol, 2025,184:111833. DOI: 10.1016/j.jclinepi.2025.111833.
[32] Smith V, Kenny LC, Sandall J, et al. Physiological track-and-trigger/early warning systems for use in maternity care[J]. Cochrane Database Syst Rev, 2021,9:CD013276. DOI: 10.1002/14651858.CD013276.pub2.
[33] Edwards SE, Grobman WA, Lappen JR, et al. Modified obstetric early warning scoring systems (MOEWS): validating the diagnostic performance for severe sepsis in women with chorioamnionitis[J]. Am J Obstet Gynecol, 2015,212(4):536.e1-8. DOI: 10.1016/j.ajog.2014.11.007.
[34] Aarvold AB, Ryan HM, Magee LA, et al. Multiple organ dysfunction score is superior to the obstetric-specific sepsis in obstetrics score in predicting mortality in septic obstetric patients[J]. Crit Care Med, 2017,45(1):e49-e57. DOI: 10.1097/CCM.0000000000002018.
[35] Umar A, Ameh CA, Muriithi F, et al. Early warning systems in obstetrics: a systematic literature review[J]. PLoS One, 2019,14(5):e0217864. DOI: 10.1371/journal.pone.0217864.
[36] 覃开舟, 须成杰. 电子病历的产科专病早期预警服务构建与应用[J].中国病案,2022,23(2):28-30. DOI: 10.3969/j.issn.1672- 2566.2022.02.010.
Qin KZ, Xu CJ. Construction and application of early warning model of obstetrics based on electronic medical record[J]. Chin Med Record, 2022,23(2):28-30. DOI: 10.3969/j.issn.1672-2566. 2022.02.010.
[37] Ryan HM, Jones MA, Payne BA, et al. Validating the performance of the modified early obstetric warning system multivariable model to predict maternal intensive care unit admission[J]. J Obstet Gynaecol Can, 2017,39(9):728-733.e3. DOI: 10.1016/j.jogc.2017.01.028.
[38] Cresswell JA, Alexander M, Chong M, et al. Global and regional causes of maternal deaths 2009-20: a WHO systematic analysis[J]. Lancet Glob Health, 2025,13(4):e626-e634. DOI: 10.1016/S2214-109X(24)00560-6.
[39] Liu J, Wang C, Yan R, et al. Machine learning-based prediction of postpartum hemorrhage after vaginal delivery: combining bleeding high risk factors and uterine contraction curve[J]. Arch Gynecol Obstet, 2022,306(4):1015-1025. DOI: 10.1007/s00404- 021-06377-0.
[40] Lengerich BJ, Caruana R, Painter I, et al. Interpretable machine learning predicts postpartum hemorrhage with severe maternal morbidity in a lower-risk laboring obstetric population[J]. Am J Obstet Gynecol MFM, 2024,6(8):101391. DOI: 10.1016/j.ajogmf.2024.101391.
[41] Mol B, Roberts CT, Thangaratinam S, et al. Pre-eclampsia[J]. Lancet, 2016,387(10022):999-1011. DOI: 10.1016/S0140- 6736(15)00070-7.
[42] Say L, Chou D, Gemmill A, et al. Global causes of maternal death: a WHO systematic analysis[J]. Lancet Glob Health, 2014,2(6):e323-333. DOI: 10.1016/S2214-109X(14)70227-X.
[43] Li F, Qin J, Zhang S, et al. Prevalence of hypertensive disorders in pregnancy in China: a systematic review and meta-analysis[J]. Pregnancy Hypertens, 2021,24:13-21. DOI: 10.1016/j.preghy. 2021.02.001.
[44] Nathan HL, Seed PT, Hezelgrave NL, et al. Early warning system hypertension thresholds to predict adverse outcomes in pre-eclampsia: a prospective cohort study[J]. Pregnancy Hypertens, 2018,12:183-188. DOI: 10.1016/j.preghy.2017. 11.003.
[45] Kefeli Çelik H, Başaranoğlu G, Peçe AH, et al. Validation of the turkish version of the modified early obstetric warning system (MEOWS) chart[J]. Ulus Travma Acil Cerrahi Derg, 2024,30(9):635-643. DOI: 10.14744/tjtes.2024.87099.
[46] 中华医学会妇产科学分会妊娠期高血压疾病学组. 妊娠期高血压疾病诊治指南(2020)[J]. 中华妇产科杂志,2020,55(4):227-238. DOI:10.3760/cma.j.cn112141-20200114-00039.
Hypertensive Disorders in Pregnancy Subgroup, Chinese Society of Obstetrics and Gynecology, Chinese Medical Association. Diagnosis and treatment of hypertension and pre-eclampsia in pregnancy: a clinical practice guideline in China(2020)[J]. Chin J Obstet Gynecol, 2020,55(4):227-238. DOI:10.3760/cma.j.cn112141-20200114-00039.
[47] 刘庆,李敬,金永梅,等.血清可溶性fms样酪氨酸激酶-1/胎盘生长因子和25-羟维生素D3预测子痫前期的价值[J].中华实用诊断与治疗杂志,2024,38(2):174-178.DOI:10.13507/j.issn.1674- 3474.2024.02.014.
Liu Q，Li J，Jin YM, et al. Values of soluble fms-like tyrosine kinase-1/placental growth factor and 25-hydroxyvitamin D: to the prediction of preeclampsia[J]. J Chin Pract Diagn Ther,2024,38(2):174-178.DOI:10.13507/j.issn.1674-3474.2024.02.014.
[48] Levine RJ, Maynard SE, Qian C, et al. Circulating angiogenic factors and the risk of preeclampsia[J]. N Engl J Med, 2004,350(7):672-683. DOI: 10.1056/NEJMoa031884.
[49] Gong S, Randise-Hinchliff C, Rohrback S, et al. Raised leptin and pappalysin2 cell-free RNAs are the hallmarks of pregnancies complicated by preeclampsia with fetal growth restriction[J]. Nat Commun, 2025,16(1):6614. DOI: 10.1038/s41467-025-61931-7.
[50] O'Gorman N, Wright D, Poon LC, et al. Multicenter screening for pre-eclampsia by maternal factors and biomarkers at 11-13 weeks' gestation: comparison with NICE guidelines and ACOG recommendations[J]. Ultrasound Obstet Gynecol, 2017,49(6):756-760. DOI: 10.1002/uog.17455.
[51] Nguyen-Hoang L, Dinh LT, Tai A, et al. Implementation of first-trimester screening and prevention of preeclampsia: a stepped wedge cluster-randomized trial in asia[J]. Circulation, 2024,150(16):1223-1235. DOI: 10.1161/CIRCULATIONAHA. 124.069907.
[52] Bonet M, Souza JP, Abalos E, et al. The global maternal sepsis study and awareness campaign (GLOSS): study protocol[J]. Reprod Health, 2018,15(1):16. DOI: 10.1186/s12978-017- 0437-8.
[53] Anyanwu PE, Expert P, Honeyford K, et al. Assessing patient-level risk factors for evidence-based early diagnosis of maternal sepsis[J]. BMC Pregnancy Childbirth, 2025,25(1):782. DOI: 10.1186/s12884-025-07895-4.
[54] Cagino SG, Burke AA, Letner DR, et al. Quick sequential organ failure assessment: modifications for identifying maternal morbidity and mortality in obstetrical patients[J]. Am J Perinatol, 2022,39(1):1-7. DOI: 10.1055/s-0041-1735624.
[55] Agarwal R, Sharma K, Mehndiratta M, et al. Role of repeat procalcitonin estimation at 48 hours for outcome in pregnancy associated sepsis: a prospective observational study[J]. Obstet Gynecol Sci, 2021,64(1):27-33. DOI: 10.5468/ogs.20206.
[56] Chappell LC, Cluver CA, Kingdom J, et al. Pre-eclampsia[J]. Lancet, 2021,398(10297):341-354. DOI: 10.1016/S0140- 6736(20)32335-7.
[57] von Dadelszen P, Payne B, Li J, et al. Prediction of adverse maternal outcomes in pre-eclampsia: development and validation of the fullPIERS model[J]. Lancet, 2011,377(9761):219-227. DOI: 10.1016/S0140-6736(10)61351-7.
[58] Brown MA, Magee LA, Kenny LC, et al. Hypertensive Disorders of Pregnancy: ISSHP Classification, Diagnosis, and Management Recommendations for International Practice[J]. Hypertension, 2018,72(1):24-43. DOI: 10.1161/HYPERTENSIONAHA.117. 10803.
[59] Payne BA, Hutcheon JA, Ansermino JM, et al. A risk prediction model for the assessment and triage of women with hypertensive disorders of pregnancy in low-resourced settings: the miniPIERS (Pre-eclampsia Integrated Estimate of RiSk) multi-country prospective cohort study[J]. PLoS Med, 2014,11(1):e1001589. DOI: 10.1371/journal.pmed.1001589.
[60] Ryan HM, Sharma S, Magee LA, et al. The usefulness of the APACHE Ⅱ score in obstetric critical care: a structured review[J]. J Obstet Gynaecol Can, 2016,38(10):909-918. DOI: 10.1016/j.jogc.2016.06.013.
[61] Crozier TM, Wallace EM. Obstetric admissions to an integrated general intensive care unit in a quaternary maternity facility[J]. Aust N Z J Obstet Gynaecol, 2011,51(3):233-238. DOI: 10.1111/j.1479-828X.2011.01303.x.
[62] Payne BA, Ryan H, Bone J, et al. Development and internal validation of the multivariable CIPHER (Collaborative Integrated Pregnancy High-dependency Estimate of Risk) clinical risk prediction model[J]. Crit Care, 2018,22(1):278. DOI: 10.1186/s13054-018-2215-6.
[63] Silva FX, Parpinelli MA, Oliveira-Neto AF, et al. Prognostic value of an estimate-of-risk model in critically ill obstetric patients in brazil[J]. Obstet Gynecol, 2022,139(1):83-90. DOI: 10.1097/AOG.0000000000004619.
[64] 李为,沈丽宁,兰富强,等.HL7 RIM和openEHR模型对比分析[J].中国卫生信息管理杂志,2018,15(6):709-714.
Li W, Shen LN, Lan FQ, et al. Comparative analysis of HL7 RlM and openEHR information model[J].Chin J Health Inform Manage, 2018,15(6):709-714.
[65] 国家卫生健康委员会办公厅印发《卫生健康行业人工智能应用场景参考指引》[J].上海护理,2025,25(1):83. DOI: 10.3969/j.issn.1009-8399.2025.01.027.
General office of the national health commission issued the reference guidance for artificial intelligence application scenarios in the health industry[J]. Shanghai Nurs J, 2025,25(1):83. DOI: 10.3969/j.issn.1009-8399.2025.01.027.
[66] Wagholikar KB, MacLaughlin KL, Henry MR, et al. Clinical decision support with automated text processing for cervical cancer screening[J]. J Am Med Inform Assoc, 2012,19(5):833-839. DOI: 10.1136/amiajnl-2012-000820.
[67] Dhombres F, Maurice P, Guilbaud L, et al. A novel intelligent scan assistant system for early pregnancy diagnosis by ultrasound: clinical decision support system evaluation study[J]. J Med Internet Res, 2019,21(7):e14286. DOI: 10.2196/14286.
[68] Dalaba MA, Akweongo P, Aborigo RA, et al. Cost-effectiveness of clinical decision support system in improving maternal health care in Ghana[J]. PLoS One, 2015,10(5):e0125920. DOI: 10.1371/journal.pone.0125920.
[69] 陈春玲. 5G+AR急危重症协同救治系统探索与实践[J].电子技术与软件工程,2021,(24):99-101. DOI: 10.20109/j.cnki.etse. 2021.24.086.
Chen CL. Exploration and practice of 5g+AR collaborative emergency and critical care treatment system[J]. Elec Tech Sofr Engg, 2021,(24):99-101. DOI: 10.20109/j.cnki.etse.2021.24.086.
未经授权禁止转载，一经发现立即举报。
本平台学术内容仅供医学专业人员参考。除非特别声明，发送的所有内容不代表中华医学会和本刊编委会的观点。译文或摘译类文章，详细内容请参照原文全文。
1、AI与围产医学｜胎儿主动脉缩窄产前超声诊断现状、技术及研究进展
欢迎进入 “视频号” 主页 查阅更多内容！
RECOMMEND
- 觉得好看就点个赞吧！ -
