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：余琳, 王慧兰, 周燕媚, 等. 产科智能助手预测阴道分娩产后出血的价值[J]. 中华围产医学杂志, 2025, 28(10): 829-834. DOI: 10.3760/cma.j.cn113903-20250821-00443.
余琳 王慧兰 周燕媚 林琳 陈艳红 王永 印贤琴 陈敦金
广州医科大学附属第三医院妇产科，广东省产科重大疾病重点实验室，广东省妇产疾病临床医学研究中心，广东省母胎医学工程技术研究中心，广州 510150
目的 评估产科智能助手预测阴道分娩产后出血的临床应用价值。
方法 采用回顾性队列研究方法，纳入2023年5月至2025年4月广州医科大学附属第三医院收治的4 832例孕周≥26周的经阴道分娩产妇，根据是否发生产后出血（胎儿娩出24 h内失血量≥500 ml）分为产后出血组（382例）及非产后出血组（4 450例）。基于传统统计学方法，应用支持向量机和极限梯度提升等机器学习方式，额外增加深度学习的方式，构建了一个全新的人工神经网络模型——产科智能助手，对产后出血与否，以及出血量进行更加细致的划分。产科智能助手基于70项产前和产时危险因素，通过与医院信息系统对接，实现风险概率的可视化输出。采用受试者工作特征曲线分析比较产科智能助手与另外4种传统预测工具（中国产房红绿灯，美国女性健康、产科与新生儿护士协会，美国妇产科医师学会安全孕产倡议，以及美国加利福尼亚州孕产妇优质保健协会预测工具）预测产后出血的效能。
结果 （1）产前预测：产科智能助手的曲线下面积为0.826（95%CI：0.774～0.838），灵敏度为0.794，特异度为0.712；4种传统预测工具的曲线下面积为0.569～0.586。（2）产时预测：产科智能助手的曲线下面积为0.786（95%CI：0.751～0.820），灵敏度为0.837，特异度为0.762；4种传统预测工具的曲线下面积为0.600～0.613。
结论 产科智能助手预测产后出血的效能优于传统预测工具。
【关键词】产后出血；机器学习；产科；人工智能；智能助手
产后出血是全球孕产妇死亡的首要原因，占孕产妇死亡病例的27%以上［1-2］。产后出血预测是难点，传统预测工具依赖预测量表来完成，如美国女性健康、产科与新生儿护士协会（Association of Women's Health， Obstetric and Neonatal Nurses， AWHONN），美国妇产科医师学会安全孕产倡议（American College of Obstetrics and Gynecology Safe Motherhood Initiative， ACOG SMI）和美国加利福尼亚州孕产妇优质保健协会（California Maternal Quality Care Collaborative， CMQCC）推荐的预测工具以及国内产房红绿灯等已在临床广泛应用，但预测效能有限，主观性强，尤其是动态风险评估能力不足［3-4］。近年来，人工智能技术的快速发展为产后出血的早期预测提供了新的可能性。本研究构建了基于人工智能的产科智能助手，与传统预测工具相比，其创新性在于分阶段动态预测能力，为临床决策提供更精准的支持，现应用产科智能助手预测阴道分娩的产妇发生产后出血的风险，旨在评估产科智能助手在预测阴道分娩产后出血中的临床应用价值。
一、数据来源
本研究为回顾性队列研究。收集2023年5月至2025年4月期间于广州医科大学附属第三医院经阴道分娩的产妇。纳入标准：（1）分娩孕周≥26周；（2）经阴道分娩；（3）产科智能助手获取资料齐全者。研究期间符合纳入标准者5 869例，排除数据异常的病例后，最终4 832例阴道分娩成功产妇纳入本研究。本研究通过本院伦理审查委员会审查（医伦会审【2021】第24号）。
二、研究方法
1.产科智能助手构建：基于传统统计学方法，应用支持向量机和极限梯度提升等机器学习方式，额外增加了深度学习的方式，构建了一个全新的人工神经网络模型，对产后出血与否，以及出血量进行更加细致的划分。这种机器学习模型与智能硬件相结合的产科智能助手构建了一种能够实时动态评估产后出血风险的新工具。该工具通过与医院信息系统对接，获取70项危险因素，以实现风险概率的可视化输出。
2.产后出血定义：阴道分娩产后24 h内失血量≥500 ml。
3.临床资料收集：产科智能助手与医院信息系统对接，自动收集70项产后出血危险因素，列举部分如下：（1）产前危险因素：孕妇基本信息包括年龄、孕前体重指数、受孕方式；既往史包括阴道分娩史、人工流产史、产后出血史、剖宫产史、子宫肌瘤剔除史；现病史包括分娩孕周、低置胎盘、双胎妊娠、死胎、羊水过多、子痫前期；分娩前末次血红蛋白浓度、红细胞压积、血小板计数、活化部分凝血活酶时间、凝血酶原时间、凝血酶原活动度和纤维蛋白原等。（2）产时危险因素：包括是否使用硫酸镁、Cook球囊引产、缩宫素催产（<24 h，≥24 h）、胎儿窘迫、胎盘植入、胎盘粘连、胎盘残留、胎盘早剥、绒毛膜羊膜炎、助产、产道裂伤（宫颈裂伤、阴道壁延裂、会阴Ⅲ～Ⅳ度裂伤和血肿）、新生儿出生体重和产程时间（各产程及总产程）等，以及分娩过程中的危险因素，即从临产开始到胎儿胎盘娩出，产程中持续风险评估。
4.分组及组间比较：将纳入产妇根据是否发生产后出血分为产后出血组（382例）和非产后出血组（4 450例），比较组间产前和产时危险因素的差异。
5.预测：基于医院信息系统中孕产妇的危险因素，产科智能助手于产前、产时预测每例孕产妇产后出血的风险概率。分别使用4种传统的产后出血预测工具（AWHONN、ACOG SMI、CMQCC和产房红绿灯）在产前、产时预测每例孕产妇产后出血的风险度，比较产科智能助手与4种传统预测工具预测产后出血的效能。
三、统计学分析
使用SPSS 27.0软件进行统计分析。正态分布计量资料采用
一、一般情况
经阴道分娩病例中的产后出血的发生率为7.91%（382/4 832），其中子宫收缩乏力引起的产后出血占71.99%（275/382），前置胎盘因素占12.83%（49/382），软产道裂伤占14.92%（57/382），其他因素占0.26（1/382）。
孕前体重指数、既往阴道分娩次数、分娩前末次血小板计数和凝血指标、分娩孕周、新生儿出生体重、总产程时间，以及辅助生殖技术受孕、剖宫产史、第二产程>2 h、子宫收缩乏力、Cook球囊+缩宫素引产、产房使用缩宫素、胎儿窘迫、前置胎盘、胎盘粘连、胎盘早剥、助产和软产道裂伤的比例，在2组间差异均有统计学意义（P值均<0.05），而其他产前和产时影响因素在2组间差异均无统计学意义（P值均>0.05）。见表1和表2。
二、传统预测工具及产科智能助手预测产后出血的效能评估
1.产前风险评估：产科智能助手的AUC、灵敏度、阳性预测值和阴性预测值均高于其他预测工具。见表3和图1。
2.产时评估：产科智能助手的AUC、灵敏度、特异度、阳性预测值和阴性预测值均高于其他预测工具。见表4和图1。
产科智能助手是一种结合机器学习、互联网、大数据和智能硬件的产后出血预测工具，其临床应用价值尚未明确。预测准确性，通常通过AUC来衡量，但对临床更有意义的是灵敏度和阳性预测值。本研究利用产科智能助手预测了阴道分娩者发生产后出血的风险，产前预测的AUC为0.826 （95%CI：0.774～0.838），产时预测的AUC为0.786 （95%CI：0.751～0.820），均高于其他预测工具，虽然人工智能辅助的产科智能助手处于开发的初期阶段，但产前预测灵敏度、产时预测灵敏度和特异度仍优于其他预测工具。本研究还发现经阴道分娩病例中的产后出血的发生率为7.91%（382/4 832），与文献相符［5-6］。子宫收缩乏力引起的产后出血的患者占71.99%（275/382），前置胎盘因素占12.83%（49/382），软产道裂伤占14.92%（57/382），与文献［7］符合。Cook球囊+缩宫素引产率为8.61%（416/4 832），稍低于国内外的平均水平（14.2%）［8-9］。临床医护人员可以使用该工具预测每例进入产房阴道分娩的孕产妇发生产后出血的风险，以更好地识别产后出血的高危人群，对制定孕产妇分级管理策略有指导意义。
一、产后出血预测工具及效能
预测预防是产后出血救治管理中的重要环节［10］。各国指南建议在多个时间点进行风险评估，包括产前、分娩时和分娩后期［11-12］，产后的重点是对失血量进行准确测量以避免漏诊产后出血。与传统静态评估不同，基于机器学习的智能预测系统可以实现动态的、贯穿围产期的持续风险评估；在分娩过程中，可以实时接入医院信息系统的数据流，结合孕产妇的生命体征（如心率、血压、血氧），不断修正和更新其出血风险预测值，对产前及产时的出血风险实现实时的分阶段预测［13-14］。本研究发现，CMQCC、AWHONN和ACOG SMI预测工具的产前预测AUC为0.569～0.586，灵敏度为0.353～0.385，说明只有35.3%～38.5%的高危孕产妇被发现，漏诊概率较高，但特异度也较高（0.779～0.819）。中国的产房红绿灯纳入更多的危险因素（宫腔操作、年龄、产程时间过长/过短等），本研究中该预测工具产前、产时预测的AUC分别为0.571和0.611，与国外预测工具［15-17］类似，灵敏度（产前为0.537）略高于国外预测工具，但特异度不佳。有研究将宫缩曲线纳入到风险因素中，可提高预测准确性［18］，但作为产时的一个重要指标，宫缩曲线难以在产前被预测及评估，产时监测难度及信息输入滞后等因素，也一直是各种预测工具的痛点。本研究中，产房红绿灯产时预测的灵敏度较高（0.788），但特异度较差，仅为0.433。所以，临床需要更可靠、简便的预测模型来准确筛查产后出血高风险女性。
二、产科智能助手预测产后出血的效能
产科智能助手运用了人工神经网络、支持向量机和极限梯度提升等技术，结合深度机器学习技术，通过与医院信息系统对接，自动收集医院信息系统中的70项孕产妇特征信息，通过硬件和软件结合来高效处理分娩相关资料，从而对产后出血进行动态预测，辅助医生进行相关医疗准备。预测工具的出现实现了机器学习方法的临床应用，本研究通过纳入的阴道分娩产妇4 832例的临床资料，分析产妇70项特征性产后出血的危险因素预测产后出血的效能。国内的一项研究纳入49项危险因素，最佳模型的AUC在训练集为0.866，在测试集为0.803，该模型的灵敏度为0.694，特异度为0.800［19］，结果优于日本的一项研究［20］。日本这项研究最佳模型预测产后出血的AUC为0.708，假阳性率0.312，真阴性率0.398，但与本研究的差异在于该研究产后出血的定义为1 000 ml，且仅纳入11项危险因素［20］。本研究中，产科智能助手的产前阳性预测值为0.173，尽管相对较低，但仍高于其他工具。阳性预测值低考虑与产后出血发生率低及产后出血的产时因素常会发生变化有关。本研究产科智能助手预测产后出血的AUC、阳性预测值、阴性预测值均高于其他方法，产前预测灵敏度最高（0.794），虽然特异度（0.712）低于ACOG SMI（0.819）、AWHONN（0.779）和CMQCC预测工具（0.784），但仍保持了较高的水平。另外在产时加入宫缩曲线，无疑可以增加预测产后出血的灵敏度，虽然本研究未将宫缩曲线这一因素纳入产科智能助手分析系统，但这是未来研究的方向及重点，需要从外部设备及宫缩曲线的实时输入角度入手提升预测准确性［21］。总体来看，产科智能助手预测产后出血的综合效能更加平衡，具有更高的预测效能，优于其他预测工具。但人工智能在辅助预测产后出血方面目前仍处于研发的初级阶段，需要长时间与临床进行磨合和对接，消除产前预测的信息延迟性及主观性，在实践的过程中不断学习和成长，达到精准预测的目的。
三、本研究局限性及结论
本研究为单中心回顾性的队列研究，无法避免选择偏倚。其次，因样本量较小而存在数据统计学差异，需扩大样本量进行多中心临床应用评估其准确性。最后，本研究为初步探讨，没有进行内部和外部验证，产科智能助手预测产后出血的效能需要后续进一步研究。但本中心为广东省重症救治中心，病种齐全，仍具有一定的代表性及较好的参考意义。总之，基于机器学习方法及智能硬件，对于阴道分娩产后出血预测的工具开发在临床上具有重要意义。
利益冲突所有作者声明不存在利益冲突
参考文献
[1] 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.
[2] Young RC. Postpartum hemorrhage trends and outcomes in the United States, 2000-2019[J]. Obstet Gynecol, 2023,141(4):862-863. DOI: 10.1097/AOG.0000000000005136.
[3] Neary C, Naheed S, McLernon DJ, et al. Predicting risk of postpartum haemorrhage: a systematic review[J]. BJOG, 2021,128(1):46-53. DOI: 10.1111/1471-0528.16379.
[4] Ende HB. Risk assessment tools to predict postpartum hemorrhage[J]. Best Pract Res Clin Anaesthesiol, 2022,36(3-4):341-348. DOI: 10.1016/j.bpa.2022.08.003.
[5] Robinson D, Basso M, Chan C, et al. Guideline No. 431: postpartum hemorrhage and hemorrhagic shock[J]. J Obstet Gynaecol Can, 2022,44(12):1293-1310.e1. DOI: 10.1016/j.jogc.2022.10.002.
[6] Handelman GS, Kok HK, Chandra RV, et al. eDoctor: machine learning and the future of medicine[J]. J Intern Med, 2018,284(6):603-619. DOI: 10.1111/joim.12822.
[7] Gallos I, Devall A, Martin J, et al. Randomized trial of early detection and treatment of postpartum hemorrhage[J]. N Engl J Med, 2023,389(1):11-21. DOI: 10.1056/NEJMoa2303966.
[8] 赵扬玉, 杨怡珂, 石慧峰. 我国产后出血研究现状和思考[J].中国实用妇科与产科杂志,2024,40(4):385-388. DOI: 10.19538/j.fk2024040101.
Zhao YY, Yang YK, Shi HF. Current status and thinking of postpartum hemorrhage research in China [J]. Chin J Pract Gynecol Obstet,2024,40(4):385-388. DOI: 10.19538/j.fk2024040101.
[9] Brun R, Spoerri E, Schäffer L, et al. Induction of labor and postpartum blood loss[J]. BMC Pregnancy Childbirth, 2019,19(1):265. DOI: 10.1186/s12884-019-2410-8.
[10] 刘兴会,杨慧霞. 重视产后出血诊治过程的管理及评审[J]. 中华围产医学杂志,2016,19(4)：252-253. DOI:10.3760/cma.j.issn. 1007-9408.2016.04.004.
Liu XH, Yang HX.Emphasis on management and audit of diagnosis and treatment of postpartum hemorrhage[J]. Chin J Perinat Med,2016,19(4):252-253. DOI:10.3760/cma.j.issn.1007- 9408.2016.04.004.
[11] Prevention and Management of Postpartum Haemorrhage: Green-top Guideline No. 52[J]. BJOG, 2017,124(5):e106-e149.
DOI: 10.1111/1471-0528.14178.
[12] 中华医学会妇产科学分会产科学组,中华医学会围产医学分会. 产后出血预防与处理指南(2023)[J]. 中华妇产科杂志,2023,58(6):401-409.DOI:10.3760/cma.j.cn112141-20230223-00084.
Obstetrics Subgroup, Chinese Society of Obstetrics and Gynecology, Chinese Medical Association;Chinese Society of Perinatal Medicine, Chinese Medical Association.Guidelines for prevention and treatment of postpartum hemorrhage (2023)[J]. Chin J Gynecol Obstet,2023,58(6):401-409.DOI:10.3760/cma.j.cn112141-20230223-00084.
[13] American College of Obstetrics and Gynecology Safe Motherhood Initiative (ACOG SMI). Obstetric hemorrhage risk assessment tables[A/OL].(2024-07-20)[2025-08-01]. https://www.acog.org/-/ media / project / acog / acogorg / files / forms / districts/smi - ob -
hemorrhage-bundle-risk-assessment-ld-admin-intrapartum.
[14] Colalillo EL, Sparks AD, Phillips JM, et al. Obstetric hemorrhage risk assessment tool predicts composite maternal morbidity[J]. Sci Rep, 2021,11(1):14709. DOI: 10.1038/s41598- 021-93413-3.
[15] Movva VC, Bringman J, Young A, et al. Comparison of three antepartum risk assessment tools to predict significant postpartum hemorrhage in livebirths[J]. Transfusion, 2023,63(5):1005-1010. DOI: 10.1111/trf.17320.
[16] Quantitative Blood Loss in Obstetric Hemorrhage: ACOG COMMITTEE OPINION, Number 794[J]. Obstet Gynecol, 2019, 134(6):e150-e156. DOI: 10.1097/AOG.0000000000003564.
[17] Bihan L, Nowak E, Anouilh F, et al. Development and validation of a predictive tool for postpartum hemorrhage after vaginal delivery: a prospective cohort study[J]. Biology (Basel), 2022,12(1):54.DOI: 10.3390/biology12010054.
[18] California Maternal Quality Care Collaborative (CMQCC). OB hemorrhage tool kit V3.0.Obstetric hemorrhage risk factor assessment screen[A/OL].(2024-07-20)[2025-08-01].https://www.cmqcc.org/content/ob-hemorrhage-toolkit-v30 -appendix-k-
obstetric-hemorrhage-risk-factor-assessment-screen.
[19] 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.
[20] Akter S, Forbes G, Vazquez Corona M, et al. Perceptions and experiences of the prevention, detection, and management of postpartum haemorrhage: a qualitative evidence synthesis[J]. Cochrane Database Syst Rev, 2023,11:CD013795. DOI: 10.1002/14651858.CD013795.pub2.
[21] Akazawa M, Hashimoto K, Katsuhiko N, et al. Machine learning approach for the prediction of postpartum hemorrhage in vaginal birth[J]. Sci Rep, 2021,11(1):22620. DOI: 10.1038/s41598-021- 02198-y.
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。
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！ -
