Central Asian Research Index

Международный Журнал Теоретических и Прикладных Вопросов Цифровых Технологий, 2026, т. 9, № 3, с. 125-133

Машинное обучение для ранней стратификации материнского риска в Узбекистане: разработка модели градиентного бустинга на основе данных DHS

Ж.Х. Эсонов, М. Фозилова

Аннотация · Abstract

Материнская смертность в Узбекистане сохраняет выраженную региональную неоднородность: различия между столичным регионом и отдельными периферийными территориями достигают трёх-четырёхкратных значений, что подчёркивает необходимость более точных инструментов раннего выявления беременных с высоким риском осложнений. Большинство существующих моделей прогнозирования материнских исходов разработано на данных стран с высоким уровнем дохода и не всегда учитывает особенности систем здравоохранения с ограниченными ресурсами, где доступность клинической информации, лабораторной диагностики и специализированной помощи существенно различается между регионами. Целью работы стала разработка и внутренняя техническая валидация послойной объяснимой модели машинного обучения для индивидуальной стратификации материнского риска в условиях ограниченной доступности клинических данных. В качестве аналитической основы использован синтетический набор данных MaternaUZ v1, включающий 4812 наблюдений и 26 признаков, сгруппированных в пять кумулятивных слоёв: базовый, клинический, социальный, экологический и динамический. Модель построена как последовательный конвейер M1–M5, где каждый следующий уровень расширяет признаковое пространство и позволяет оценить дополнительный вклад нового источника данных. В качестве базового алгоритма применён XGBoost; для повышения устойчивости модели использовались взвешивание классов, вложенная кросс-валидация, изотоническая калибровка вероятностей и интерпретация прогнозов методом SHAP. Качество оценивали по ROC-AUC, индексу Brier и анализу кривых принятия решений. Последовательное расширение признакового пространства сопровождалось ростом дискриминационной способности модели с ROC-AUC 0,66 до 0,97 и улучшением калибровки вероятностей: индекс Brier снизился с 0,21 до 0,06. Интерпретация модели показала наибольший вклад анемии, артериального давления, числа предыдущих беременностей и удалённости от стационара в формирование индивидуального риска. Полученные результаты позволяют рассматривать предложенный подход как перспективную основу для последующей адаптации к национальным клиническим данным Республики Узбекистан, внешней проспективной валидации и интеграции в цифровые системы поддержки принятия врачебных решений.

Сведения · Details