Nat Med：我国学者开发AI智能体，提前数月预判孕期风险，守护母婴安全

妊娠是一个由生物学、环境和社会风险因素塑造的复杂生理过程，其结果从无并发症分娩到严重并发症或死亡不等。常见的孕产妇危险因素，包括高龄产妇、异常体重指数（BMI）、高血压、糖尿病和吸烟，已被充分记录为子痫前期、妊娠期糖尿病、流产、早产、低出生体重和婴儿发病等不良结局的促成因素。

婴儿健康风险同样受分娩胎龄、宫内生长受限、母体感染和先天性异常的影响。这些因素很少孤立发生，它们的复杂相互作用使得产科和新生儿疾病的早期检测持续具有挑战性。许多当前使用的预测因子仍然是描述性或定性的，强调了需要在临床恶化前预测母婴疾病风险的定量方法。

孕产妇和胎儿护理中的早期检测和干预对于改善母婴结局以及减少社会经济和情感负担至关重要。然而，妊娠人群中的异质性疾病风险常掩盖早期预警信号，使普遍筛查效率低下，并在许多情况下效果不佳。

这一挑战因人口结构变化而进一步加剧：高收入国家中孕产妇年龄上升、低收入地区持续较高的青少年妊娠率，以及肥胖、糖尿病和高血压等慢性疾病患病率的增加，均使妊娠轨迹复杂化。尽管传统诊断方法，包括影像学、血液检测和组织活检，在母胎医学中发挥了重要作用，但它们可能具有侵入性，或给孕妇带来身体和心理负担。

它们也可能无法捕捉导致母胎并发症的患者数据中微妙的、多维的模式。此外，有限的早期敏感性和特异性，加上在资源匮乏人群中可及性受限，限制了它们在主动风险评估中的实用性。

图1.全文总结图（摘自Nature Medicine ）

电子健康记录（EHRs）日益被用于记录、监测和管理妊娠和新生儿护理。它们为母婴健康提供了纵向视角，临床医生可随时获取，并能揭示与预期轨迹的偏离。

然而，EHR数据是异质的、不完整的，且常常是非结构化的，包含自由文本临床记录、报告、医学图像、实验室结果和其他可变数据类型。它们缺乏标准化且需要大量预处理，这对广泛基于EHR的医疗保健人工智能应用构成了重大挑战。

在本研究中，作者提出了MoChiAgent（母子智能体）——一个围绕纵向EHR基础模型和一组对其输出进行操作的分析工具构建的综合性母婴健康分析框架。MoChiAgent的技术核心是MoChiFormer——一个多模态Transformer，可填补缺失的实验室检验值、消除跨站点批次效应，并从常规临床就诊中学习纵向患者嵌入。

MoChiAgent将这些嵌入与用于生物年龄估计、基于聚类的疾病风险分层、轨迹推断和基于SHAP的可解释性工具相结合，并配有一个原型大语言模型（LLM）接口，该接口将临床查询路由至适当工具，并将所得预测结果立足于从精选医学数据库中检索的文献中。

与先前主要聚焦于表征学习和结局预测的纵向深度学习模型不同，MoChiAgent将定量风险估计引擎与文献支撑和接口层分离，使得每个组件可独立开发和审查。作者展示了MoChiFormer可重建缺失的测量值、恢复具有生理意义的妊娠和婴儿生物钟、捕获具有不同疾病轨迹的患者亚型，并以较强的外部有效性预测当前和未来的母婴状况。

总之，这些组件为母婴护理中的早期风险识别和决策支持提供了一个可解释的、数据驱动的基矗。

参考消息：https://www.nature.com/articles/s41591-026-04694-y