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

Стагильская Юлия Сергеевна – младший научный сотрудник Урало-Сибирского научно-методического центра по профилактике ИСМП; ординатор 2-го года обучения, аспирант 1-го года обучения по специальности «Эпидемиология» (e-mail: ; ORCID: .

Каменева Анастасия Андреевна – младший научный сотрудник Урало-Сибирского научно-методического центра по профилактике ИСМП; ординатор 1-го года обучения по специальности «Эпидемиология» (e-mail: ; ORCID: .

В современном мире одной из ключевых проблем здравоохранения является рост устойчивости микроорганизмов к антимикробным препаратам, что приобрело характер «тихой пандемии» [1]. Особенно остро эта тенденция прослеживается в акушерско-гинекологической практике, где условно-патогенная флора, населяющая родовые пути, создает потенциальные риски для здоровья женщины и ребенка. Инфекционные процессы, вызванные резистентными штаммами условнопатогенных микроорганизмов (УПМ), отличаются тяжелым течением, удорожанием лечения, способствуют удлинению сроков госпитализации и росту летальности [2].

В послеродовом периоде иммунная система женщины претерпевает существенную перестройку, а ткани репродуктивного тракта представляют собой обширную раневую поверхность, что создает предпосылки для повышенной восприимчивости к инфекционным агентам. Особую тревогу вызывает проблема колонизации и последующего развития инфекций, вызванных резистентными УПМ, которая выходит за рамки индивидуального здоровья, приобретая черты серьезной эпидемиологической угрозы в условиях родовспомогательных учреждений [3, 4].

Условно-патогенные микроорганизмы (коагулазоотрицательные стафилококки, энтерококки, энтеробактерии) в норме могут присутствовать в составе микробиома слизистых оболочек человека. Однако в условиях измененного иммунного статуса, механических повреждений тканей в процессе родов и проведения инвазивных вмешательств они способны вызывать широкий спектр гнойносептических инфекций (ГСИ) послеродового периода [5]. Качественно новым и крайне опасным вызовом стала повсеместная распространенность штаммов УПМ, обладающих множественной лекарственной устойчивостью (МЛУ), в том числе к препаратам резерва [6, 7]. Процесс родов, особенно при необходимости применения инструментальных пособий или наличии длительного безводного периода, становится значимым моментом для транслокации микрофлоры в «стерильные» в норме полости и ткани. Колонизация родовых путей родильницы резистентными штаммами УПМ является прямым предиктором развития трудно поддающихся терапии инфекционных осложнений и создает угрозу вертикальной передачи инфекции новорожденному [8, 9].

Традиционный подход к оценке риска инфекционной патологии у родильниц базируется на анализе клинико-анамнестических факторов (способ родоразрешения, продолжительность безводного промежутка, сопутствующая патология, предшествующая антибиотикотерапия и др.). Однако взаимосвязь этих факторов нелинейна и зачастую носит синергический характер. Классические методы ста- тистики (логистическая регрессия) обладают ограниченной эффективностью при работе с большим массивом разнородных данных и выявлении скрытых взаимодействий [10].

В этом контексте методы машинного обучения (Machine Learning, ML) открывают новые горизонты для предиктивной аналитики в медицине. Алгоритмы ML (случайный лес, градиентный бус-тинг, методы опорных векторов, нейронные сети) способны автоматически выявлять сложные паттерны в многомерных данных и строить модели с высокой прогностической точностью [11, 12]. Эти методы уже доказали свою эффективность в различных областях медицины для прогнозирования исходов заболеваний и персонализации лечения [13–15]. Их применение для оценки риска колонизации родовых путей родильниц резистентными штаммами УПМ позволяет перейти от реактивной к превентивной медицине. Использование ML-моделей на основе данных официальной медицинской документации (истории родов, обменные карты, электронная медицинская карта пациента) дает возможность заблаговременного выявления пациенток с высоким риском носительства резистентных УПМ, что открывает перспективы для реализации целенаправленных профилактических мероприятий (скрининг, пространственная изоляция, оптимизация антибиотикотерапии) [16–18].

Несмотря на очевидную актуальность, комплексных исследований, посвященных прогнозированию колонизации родовых путей родильниц резистентными штаммами УПМ с применением современных методов машинного обучения, в настоящее время недостаточно. Большинство работ сосредоточено на анализе уже развившихся инфекционных осложнений или на оценке резистентности УПМ в общей популяции людей без учета специфики послеродового периода [19–21]. Кроме того, требует детального изучения влияние колонизации родовых путей матери резистентными штаммами УПМ на частоту и структуру заболеваний новорожденного [22–25].

Цель исследования – прогнозирование риска колонизации родовых путей родильниц резистентными штаммами УПМ и оценка влияния на исходы у их новорожденных детей с применением машинного обучения.

Материалы и методы. Проведен анализ 166 историй родов (форма № 096/у-20) и 166 обменных карт беременной (форма № 113/у-20), ро-доразрешившихся в Областном перинатальном центре, г. Екатеринбург (ОПЦ). Дизайн исследования – ретроспективное исследование по типу «случай – контроль» с последующим анализом данных с применением методов машинного обучения.

Критерии включения в основную группу: родильницы, родоразрешившиеся в ОПЦ, наличие лабораторно подтвержденного выделения рези- стентного штамма УПМ из родовых путей, наличие информированного согласия на участие в исследовании.

Критерии включения в группу сравнения: родильницы, родоразрешившиеся в ОПЦ в тот же период, отсутствие выделения УПМ или выделение не резистентных штаммов УПМ из родовых путей, сопоставимость с основной группой по ключевым параметрам (возраст, вид родоразрешения), наличие информированного согласия на участие в исследовании.

Критерии исключения для всех групп: отказ от участия в исследовании, возраст младше 18 лет, наличие тяжелых экстрагенитальных заболеваний в стадии декомпенсации, роды в другом учреждении родовспоможения или на дому.

Родильницы были разделены на две группы в зависимости от выделения условно-патогенных микроорганизмов из родовых путей:

• •    основная группа ( n = 100): женщины, у которых из родовых путей были выделены штаммы УПМ, обладающие фенотипическими и / или генотипическими признаками резистентности к антимикробным препаратам;

• •    группа сравнения ( n = 66): женщины, у которых из родовых путей были выделены УПМ без признаков резистентности, либо рост микрофлоры отсутствовал.

Данные из формы № 096/у-20 и формы № 113/у-20 в ручном режиме вносили в электронную таблицу формата Microsoft Excel (*.xlsx). База данных содержит 166 строк (родильниц) и 108 столбцов (признаков). Один из столбцов выступал в качестве зависимой (целевой) переменной: значение «1» соответствовало наличию резистентности УПМ к антимикробным препаратам, «0» – отсутствие резистентности УПМ к антимикробным препаратам. Изучаемые данные были разделены на блоки: социальные, антропометрические, анамнестические и клинико-лабораторные данные, характеристики течения беременности, родов и послеродового периода. База данных зарегистрирована (№ 2026621187 от 20.03.2026).

Для решения двух различных исследовательских задач из единого первичного массива были сформированы две аналитические базы данных:

• •    база данных «Родильницы» ( n = 166) предназначалась для поиска факторов риска и прогнозирования колонизации родовых путей резистентными штаммами УПМ у матери. Она включала 105 предикторов (социальные, антропометрические, анамнестические данные, характеристики течения бере-

• менности и родов) и целевую переменную – наличие резистентного штамма. Количественные признаки (возраст, рост, вес, сроки и др.) были стандартизированы с использованием MinMaxScaler. Категориальные признаки преобразованы методом One-Hot Encoding (OHE);

• •    база данных «Новорожденные» ( n = 166) предназначалась для оценки влияния колонизации родовых путей родильницы резистентными штаммами УПМ на исходы у их новорожденных детей. Она включала 28 предикторов (характеристики новорожденного: доношенность, заболевания, исход) и ту же целевую переменную матери (наличие резистентного штамма). Категориальные признаки также были преобразованы методом OHE, числовые признаки в данной выборке отсутствовали.

Статистический анализ . Для описательной статистики использовали абсолютные и относительные величины (%). Сравнение групп проводили с помощью точного критерия Фишера (φ). Для количественной оценки эффекта рассчитывали относительный риск ( RR ) с 95%-ным доверительным интервалом (95 % ДИ). Связь считали статистически значимой при p < 0,05. Статистическую обработку данных проводили с использованием пакета прикладных программ Microsoft Office 2010, онлайн-ресурса «Медицинская статистика»¹, ПС Statistica 10.

Применение методов машинного обучения. Интеллектуальный анализ проводили в среде разработки Jupyter notebook (v.6.0.0) на языке программирования Python (v.3.7.16). Предварительную обработку и анализ данных осуществляли с применением библиотеки pandas, реализацию математических и числовых операций – numpy, разделение данных на обучающую и тестовую подвыборки, нормализацию данных, расчет статистических показателей, построение матрицы несоответствий, подбор параметров для обучения моделей, отбор предикторов осуществляли с помощью библиотеки для машинного обучения scikitlearn. Функционал алгоритмов реализовывали с помощью библиотек с открытым исходным кодом. Визуализацию полученных данных проводили с применением библиотек matplotlib и seaborn, функционала визуализации – библиотек SHapley Additive exPlanations².

Для каждой из двух баз данных была проведена следующая процедура:

• 1.    Разделение выборок: данные случайным образом разделялись на обучающую (50 %, n = 83) и тестовую (50 %, n = 83) подвыборки с сохранением пропорций классов (функция train_test_split, параметр stratify=y).

• 2.    Обучение моделей: для классификации применялись пять алгоритмов: логистическая регрессия (LogisticRegression, solver='liblinear'); случайный лес (RandomForestClassifier); экстремальный градиентный бустинг (XGBClassifier); сверхслучайные деревья (ExtraTreeClassifier); деревья решений (DecisionTreeClassifier). Для всех алгоритмов использовали оригинальные авторские настройки.

Оценка качества моделей. Для каждой модели на тестовой выборке рассчитывались метрики: Accuracy (общая точность), Precision (точность), Recall (полнота), F1-score (гармоническое среднее); а также проведена интерпретация статистических показателей работы моделей машинного обучения проводили с построением ROC-кривых, расчетом ROC-AUC (area under the curve, площади под кривой) и ее 95 % ДИ. Для интерпретации ошибок классификации строились матрицы несоответствий (confusion matrix).

Интерпретация моделей (Feature Importance). Для модели градиентного бустинга (XGBoost) важность признаков оценивалась с помощью встроенного метода feature_importances (F-score), отражающего частоту использования признака для разделения данных в деревьях. Для всех моделей проводился анализ SHAP (SHapley Additive exPlanations), позволяющий оценить направление и силу влияния каждого предиктора на итоговое предсказание модели.

Результаты и их обсуждение. В ходе исследования установлено, что частота колонизации родовых путей резистентными штаммами УПМ среди обследованных родильниц составила 60,2 % (100 из 166). Для оценки ассоциации потенциальных факторов риска с наличием резистентной флоры использовали точный критерий Фишера (φ) и рассчитывали относительный риск ( RR ) с 95%-ным доверительным интервалом (95 % ДИ).

Социальные факторы риска. Значимыми предикторами колонизации явились: проживание в сельской местности (27 % в основной группе и 4,5 % в группе сравнения; φ = 4,181; p < 0,01; RR = 1,677; 95 % ДИ: 1,378–2,041), низкий уровень образования (25 и 1,5 % соответственно; φ = 5,047; p < 0,01; RR = 1,795; 95 % ДИ: 1,511–2,132), отсутствие трудоустройства (31 и 4,5 % соответственно; φ = 4,737; p < 0,01; RR = 1,744; 95 % ДИ: 1,437–2,117) и незарегистрированный брак (13 и 0 % соответственно; φ = 4,652; p < 0,01; RR = 1,759; 95 % ДИ: 1,532–2,019).

Клинические факторы риска. Наличие в анамнезе искусственного прерывания беременности встречалось у 23 % родильниц основной группы и у 12,1 % группы сравнения (φ = 1,823; p = 0,035; RR = 1,301; 95 % ДИ: 1,009–1,677). Преждевременные роды (< 37 недель) зарегистрированы у 13 и 3 % соответственно (φ = 2,445; p < 0,01; RR = 1,504; 95 % ДИ: 1,182–1,914). Количество родов более трех от- мечено у 22 и 6,1 % соответственно (φ = 3,020; p < 0,01; RR = 1,519; 95 % ДИ: 1,218–1,894).

Организационные факторы риска . Длительная общая госпитализация (> 6 дней) зафиксирована у 42 % основной группы и 13,6 % группы сравнения (φ = 4,122; p < 0,01; RR = 1,817; 95 % ДИ: 1,437– 2,298). Среди пациенток после кесарева сечения послеродовая госпитализация > 5 дней наблюдалась в 3,3 раза чаще в основной группе (66,7 и 20 % соответственно; φ = 3,895; p < 0,01; RR = 3,333; 95 % ДИ: 1,251–2,809). Длительная предродовая госпитализация (> 5 дней) составила 17 и 4,5 % (φ = 3,001; p < 0,01; RR = 1,654; 95 % ДИ: 1,123–2,435). При естественных родах недлительная послеродовая госпитализация (до 3 дней) чаще встречалась в группе сравнения (60,9 и 36,2 % соответственно; φ = 2,942; p <  0,01; RR = 1,570; 95 % ДИ: 1,082–2,277). Общий показатель послеродовой госпитализации > 5 дней (без учета способа родоразрешения) не показал достоверных различий ( p > 0,05).

Частота неблагоприятных событий в группе детей, рожденных от матерей-носительниц резистентных штаммов УПМ. Анализ исходов у новорожденных выявил достоверно более высокую частоту неблагоприятных событий в группе детей, рожденных от матерей-носительниц резистентных штаммов УПМ. Недоношенность составила 13 % против 3 % (φ = 2,445; p <0,01; RR = 1,504; 95 % ДИ 1,182–1,914). Заболевания раннего неонатального периода зарегистрированы у 61 % новорожденных основной группы и у 22,7 % группы сравнения (φ = 5,036; p <0,01; RR = 2,684; 95 % ДИ 1,675–4,302). Перевод в отделение реанимации и интенсивной терапии новорожденных (ОРИТН) или на второй этап выхаживания потребовался 25 % новорождённых основной группы и 1,5 % – группы сравнения (φ = 5,047; p <0,01; RR = 16,5; 95 % ДИ 2,291–118,85). Полученные данные согласуются с концепцией вертикальной передачи и перинатального риска [26–30].

Для прогнозирования индивидуального риска колонизации родовых путей резистентными штаммами УПМ сформирована аналитическая выборка «Родильницы» (166 наблюдений, 105 предикторов после OHE и нормализации MinMaxScaler). Целевая переменная – бинарный показатель наличия резистентного штамма. Данные разделены на обучающую (50 %, n = 83) и тестовую (50 %, n = 83) выборки с сохранением пропорций классов.

Обучены пять моделей бинарной классификации: логистическая регрессия (Logistic Regression), случайный лес (Random Forest), градиентный бус-тинг (XGBoost), экстремально случайные деревья (ExtraTree) и деревья решений (Decision Tree). Наилучшие сбалансированные результаты показала модель случайного леса (n_estimators = 100, max_depth = 3, min_samples_split = 2, max_features = 'log2'): precision = 0,815, recall = 0,880, F1-score =

0,846, ROC-AUC = 0,842. Модель XGBoost продемонстрировала сравнимые показатели (F1-score = 0,844, ROC-AUC = 0,826) с более высокой чувствительностью (recall = 0,920). Полные метрики представлены в табл. 1.

Высокая прогностическая способность ансамблевых методов согласуется с данными современных исследований [31–33].

Для интерпретации модели Random Forest и выявления ключевых факторов применены анализ важности признаков и SHAP-анализ (для XGBoost) [34]. Помимо факторов, выявленных классическим анализом, ведущую роль в прогнозе играют уровень образования (наличие высшего образования) и способ госпитализации (самотеком или по линии скорой медицинской помощи). SHAP-диаграммы

(рис. 1) показывают, что отсутствие высшего образования и экстренная госпитализация увеличивают предсказанную вероятность колонизации, что согласуется с концепцией интегрального влияния социально-поведенческих факторов [35, 36].

На рис. 2 представлены ROC-кривые для всех пяти алгоритмов. Лучшую дискриминационную способность демонстрирует модель случайного леса (AUC = 0,842). На рис. 1 приведен сводный график вкладов признаков (SHAP) для модели XGBoost.

Для оценки влияния колонизации на состояние новорожденных сформирована выборка «Новорожденные» (28 предикторов, включая доношенность, заболевания раннего неонатального периода, исход выхаживания).

Таблица 1

Метрики качества моделей машинного обучения для прогнозирования колонизации родовых путей родильниц резистентными штаммами УПМ

Модель	Accuracy	Precision	Recall	ROC-AUC	F1-score	MSE	Sensitivity (TPR)	Specificity (TNR)
Random Forest	0,952	0,815	0,880	0,842	0,846	0,229	0,86	0,6970
XGBoost	1,000	0,780	0,920	0,826	0,844	0,217	0,90	0,6061
Logistic Regression	1,000	0,734	0,940	0,826	0,825	0,229	0,92	0,4848
Decision Trees	1,000	0,815	0,880	0,736	0,846	0,289	0,86	0,6970
ExtraTree	0,940	0,602	1,000	0,618	0,752	0,373	0,70	0,5455

Уровень образования (1'Отсутствие высшего образования. 2-наличие высшего образования)_са( Количество дней госпитализации до родов (дни)_пит Количество дней госпитализации в роддоме (дни)_пит Масса тела во время беременности (кг)_пит Социальный статус (0 безработная домохозяйка, 1 -работающая)_Ьш Способ госпитализации (1-СМП, 2-самотёком/пичное TC)_cat Роды по причине/срочности (1-плановые, 2-экстренные)_са1

Продолжительность безводного периода (минуты)_пит Семейное положение (0-не замужем, 1-замужем)_Ып Индекс массы тела (до беременности)_num Место жительства (1-село, 2-город) cat Возраст на момент родоразрешения (лет)пит Масса тела до беременности (кг)_пит Индекс массы тела (во время беременности)_пит

Излитие околоплодных вод (1-преждевременное, 2-своевременное) cat Кровопотеря в родах (мл)_пит Срок беременности при постановки на учет (недель) пит Сопутствующие заболевания (по категориям) - Эндокринные заболевания (0-нет, 1-да)_Ып Сопутствующие заболевания (по категориям) - Заболевания ССС (О-нет, 1-да)_Ып Предыдущие беременности, закончившиеся родами (количество)_пит

Рис. 1. Сводный график вкладов признаков (SHAP) для выборки «Родильницы»

Рис. 2. ROC-кривые для моделей бинарной классификации у выборки «Родильницы»

Целевая переменная – наличие резистентного штамма у матери. Применены те же пять алгоритмов машинного обучения; метрики качества представлены в табл. 2.

Наибольшую чувствительность (recall = 1,000) показала модель ExtraTree, однако ценой низкой специфичности. Логистическая регрессия и случайный лес продемонстрировали сбалансированные результаты (F1-score = 0,776, ROC-AUC = 0,750–0,758), что сопоставимо с литературными данными по прогнозированию неонатального сепсиса [37, 38].

Анализ важности признаков в модели XGBoost позволил выделить наиболее информативные предикторы, ассоциированные с колонизацией матери: наличие заболеваний у новорожденного, исход выхаживания (перевод в ОРИТН), доношенность, а также отдельные нозологии (транзиторная гипогликемия, врожденные пороки развития, асфиксия). SHAP-анализ (рис. 3) подтвердил, что высокие значения признаков «наличие заболеваний» и «перевод в ОРИТН» увеличивают вероятность принадлежности к группе детей от матерей с резистентными штаммами, тогда как доношенность и отсутствие патологии снижают ее. Эти результаты указывают на широкий спектр патологических состояний у новорожденных, связанных с колонизацией родовых путей матери УПМ, и согласуются с концепцией перинатального программирования [39, 40].

Таблица 2

Метрики качества моделей машинного обучения для выборки «Новорожденные»

Модель	Accuracy	Precision	Recall	ROC-AUC	F1-score	MSE	Sensitivity (TPR)	Specificity (TNR)
Random Forest	0,6145	0,682	0,900	0,758	0,776	0,386	0,86	0,3636
XGBoost	0,5783	0,687	0,920	0,685	0,660	0,422	0,86	0,3636
Logistic Regression	0,6627	0,682	0,900	0,750	0,776	0,337	0,76	0,3939
Decision Trees	0,5181	0,682	0,900	0,574	0,776	0,482	0,94	0,1212
ExtraTree	0,5663	0,602	1,000	0,642	0,752	0,373	0,86	0,3636

SHAP values для всех признаков (влияние на наличие резистентного штамма)

Здоровье новорожденного (1-здороа 2-нездоров)_са1

ИСХОД у новорожденных (1 выписан домой. 2 перевод в ОРИТ/второй этап выхаживания)_са1

Заболевания у новорожденных - Врожденные пороки (состояния) развития (0-нет, 1-да)_Ыл

Заболевания у новорожденных - Транзиторное тахипноэ (0-нет, 1-да)_Ьш

Заболевания у новорожденных - Транзиторная гипоксия (0-нет, 1-да)_Ьш

Заболевания у новорожденных - Дыхательная недостаточность (0-нет, 1-да)_Ьш

Заболевания у новорожденных - Рождение от матери с гестационным сахарным диабетом (0-нет, 1-да) bin

Заболевания у новорожденных - Крупный новорожденный (0-нет. 1-да)_Ьт

Заболевания у новорожденных - Транзиторная гипогликемия (0-нет. 1-да)_Ь!л

Заболевания у новорожденных - Тромбоцитопения (0-нет, 1-да)_Ьт

Заболевания у новорожденных - Асфиксия (0-нет, 1 -да)_Ьт

Заболевания у новорожденных - Респираторный дисстрес (0-нет, 1-да)_Ьш

Заболевания у новорожденных - Гипербилирубинемия (0-нет, 1-да)_Ьт

Заболевания у новорожденных Кожно-геморрагический синдром (0-нет, 1 да)_Ьт

Заболевания у новорожденных - Кровоизлияние в кожу у новорожденного (0-нет, 1-да)_Ып

Заболевания у новорожденных - Церебральная ишемия (0-нет, 1-да)_Ьт

Заболевания у новорожденных - Контакт по В20 (отец) (0-нет. 1-да)_Ьш

Заболевания у новорожденных - Перинатальный контакт по гепатиту С (0-нет, !-да)_Ьт

Заболевания у новорожденных - Маловесный новорожденный (0-нет. 1-да)_Ьт

Заболевания у новорожденных - Малый размер к сроку гестации (0-нет, 1 да)_Ьт

м

►. 4 к

to

1.5    20    25

Low

SHAP value (impact on model output)

Рис. 3. Сводный график вкладов признаков (SHAP) для выборки «Новорожденные»

Рис. 4. ROC-кривые для моделей бинарной классификации для выборки «Новорожденные»

На рис. 4 представлены ROC-кривые моделей для выборки «Новорожденные», на рис. 3 – сводный график вкладов признаков (SHAP).

Проведенное исследование подтвердило высокую распространенность колонизации родовых путей родильниц резистентными штаммами УПМ (60,2 %), что коррелирует с данными глобального мониторинга резистентности к антимикробным препаратам и указывает на актуальность данной проблемы даже среди клинически здоровых женщин [5, 6]. Полученные результаты свидетельствуют, что резервуар резистентных штаммов в акушерских стационарах формируется не только за счет пациенток с манифестными инфекциями, но и благодаря бессимптомным носителям, что требует пересмотра подходов к проведению профилактических и противоэпидемических мероприятий.

Классический ретроспективный эпидемиологический анализ позволил выявить комплекс факторов риска, ассоциируемых с неблагоприятными исходами в акушерстве. Значимая роль социального неблагополучия (проживание в сельской местности, низкий уровень образования, отсутствие официальной работы и брака) согласуется с данными литературы о влиянии социально-экономического статуса на доступность медицинской помощи, уровень санитарной культуры и приверженность профилактическим мероприятиям [2, 4]. Связь колонизации с абортами в анамнезе и преждевременными родами находит подтверждение в современных исследованиях микробиоценоза влагалища [7]. Организационные факторы (длительная дородовая и послеродовая госпитализация) традиционно рассматриваются как маркеры внутрибольничного инфицирования или колонизации госпитальными штаммами [3, 13].

Однако для анализа многомерных данных и выявления нелинейных взаимосвязей необходимо применение современных методов. Традиционные регрессионные модели уступают по прогностической мощности методам машинного обучения (ML), способным учитывать синергическое взаимодейст- вие множества переменных [8, 11]. В нашем исследовании ML позволил перейти от описания изолированных факторов к построению целостной прогностической модели. Модель Random Forest (F1-score = 0,846, ROC-AUC = 0,842) продемонстрировала высокую пригодность для клинического применения. Композиционные методы (ансамбли деревьев) значимо превосходят по сбалансированной точности простые модели (например, одиночное дерево решений), что согласуется с теорией ансамблевого обучения, снижающего дисперсию и улучшающего обобщающую способность [10].

Ключевое преимущество ML-подхода – возможность ранжирования предикторов с учетом их взаимодействия. SHAP-анализ, являющийся «золотым стандартом» интерпретации сложных моделей [9, 14], позволил визуализировать направление и силу влияния факторов. Уровень образования и способ госпитализации (экстренный / плановый) стали доминирующими факторами, «перевесившими» классические биомедицинские параметры. Образовательный статус выступает интегральным маркером поведенческих практик (приверженность лечению, своевременность обращения, гигиенические навыки), а экстренная госпитализация часто связана с осложненным течением беременности, когда предварительная санация или детальная оценка микробиологического статуса невозможны. Таким образом, социально-поведенческие характеристики и организационные особенности поступления в стационар вносят решающий вклад в формирование риска, что следует учитывать при разработке профилактических программ.

Вторая часть исследования, посвященная влиянию колонизации родовых путей матери резистентными штаммами на состояние новорожденных, подтверждает концепцию вертикальной передачи и перинатального риска [7, 15]. Достоверно более высокая частота патологии у детей от матерей основной группы (61 против 22,7 %) и переводов в отделение реанимации и интенсивной терапии новорожденных (25 против 1,5 %) доказывают, что колонизация является значимым фактором, ухудшающим исходы у детей и увеличивающим затраты на выхаживание. Способность ML-модели ExtraTree с высокой чувствительностью идентифицировать таких детей по комплексу признаков открывает перспективы для раннего выделения групп риска среди новорожденных и обоснованного начала превентивных мероприятий.

Внедрение методов машинного обучения в анализ эпидемиологических данных позволяет выйти на новый уровень риск-ориентированного надзора. ML-модели могут обрабатывать большие массивы разнородных данных в реальном времени, адаптироваться к изменяющимся условиям эпидемического процесса и выдавать персонализированный прогноз [16]. Это создает основу для разработки цифровых инструментов поддержки приня- тия врачебных решений, интегрируемых в электронные медицинские карты для автоматического расчета индивидуального риска колонизации родовых путей родильниц резистентными штаммами при поступлении в стационар.

Выводы:

• 1.    Частота колонизации родовых путей резистентными штаммами УПМ составила 60,2 %, что свидетельствует о широком распространении бессимптомного носительства и требует совершенствования скрининга в акушерских стационарах.

• 2.    Методами классической эпидемиологии выявлены значимые факторы риска: социальные (проживание в сельской местности, низкий уровень образования, отсутствие трудоустройства, незарегистрированный брак; RR = 1,677–1,795; p < 0,01), клинические (аборты в анамнезе, преждевременные роды, число родов > 3; RR = 1,301–1,519; p ≤ 0,035) и организационные (длительная общая и предродовая госпитализация, увеличение сроков пребывания после кесарева сечения; RR = 1,654–3,333; p < 0,01).

• 3.    Модели машинного обучения, в частности случайный лес (F1-score = 0,846, ROC-AUC = 0,842), продемонстрировали высокую прогностическую способность, превосходя простые алгоритмы. SHAP-анализ показал, что наряду с традиционными факторами ведущую роль играют уровень образования и способ госпитализации (экстренный / плановый).

• 4.    Колонизация матери ассоциирована с неблагоприятными исходами у новорожденных: недоношенность ( RR = 1,504), заболевания раннего неонатального периода ( RR = 2,684) и перевод в ОРИТН / на второй этап выхаживания ( RR = 16,5) ( p < 0,01), что подтверждает вертикальную передачу резистентных штаммов и перинатальный риск.

• 5.    Построенные ML-модели для выборки новорожденных (логистическая регрессия и случайный лес: F1-score = 0,776, ROC-AUC = 0,750–0,758) могут использоваться для раннего выделения групп риска.

• 6.    Разработанные прогностические модели целесообразно интегрировать в электронные медицинские карты для автоматического расчета индивидуального риска колонизации при поступлении в стационар, что соответствует принципам риск-ориентированного надзора.

Финансирование. Исследование выполнено в рамках отраслевой научно-исследовательской программы Роспотребнадзора «Совершенствование эпидемиологического мониторинга инфекций, связанных с оказанием медицинской помощи, вирусной и бактериальной этиологии в Уральском и Сибирском федеральных округах с позиций геномного эпидемиологического надзора» (рег. № НИОКТР 126021116957-7). Проведение исследования одобрено локальным этическим комитетом ФБУН ФНИИВИ «Виром» Роспотребнадзора (протокол № 1 от 20.02.2026).