EUVIMEDEUVIMED entdecken
KohortenstudieOpen Access · CC BY 4.0

Phenotyping Preeclampsia Using Unsupervised Machine Learning: A Prospective Cohort Study

Phänotypisierung von Präeklampsie mit unüberwachtem Machine Learning: prospektive Kohortenstudie

Ohad Houri iD, Lina Youssef, Francesca Crovetto, Maria Borrell, Maddalena Crimella, Maria Giulia Ferrante, Rommy H Novoa, Irene Casas, Noelia Encabo, Leticia Benitez iD, Marta Larroya, Anna Peguero und 7 weitere

BJOG: An International Journal of Obstetrics & Gynaecology · 2026-09 · 133 (10) · 1926-1936

DOI: 10.1111/1471-0528.70262 ↗

Auf einen Blick

Bei 482 Schwangeren mit Präeklampsie wurden 3 klinisch unterschiedliche Phänotypen identifiziert. Ein Cluster war mit früherer Entbindung und den höchsten maternalen und neonatalen Komplikationsraten verbunden.

Fragestellung

Welche klinisch bedeutsamen Phänotypen der Präeklampsie lassen sich mit unüberwachtem Machine Learning identifizieren?

Methode

Prospektive Kohortenstudie; Daten aus BCNatal in Barcelona; k-means-Clusteranalyse nach Dimensionsreduktion mit UMAP.

Ergebnisse

3 Phänotypen: Cluster A (n = 223) mit Entbindung in 33,1 ± 3,3 Wochen, starker angiogener Dysbalance, FGR 64 %, maternalen Komplikationen 23 % und neonatalen Komplikationen 41 %; Cluster B (n = 147) mit 37,0 ± 2,1 Wochen; Cluster C (n = 112) mit 38,2 ± 1,5 Wochen und den niedrigsten Komplikationsraten.

Einschränkungen

Prospektive externe Validierung ist erforderlich.

Schlussfolgerung der Autor:innen

Unüberwachtes Lernen zeigte 3 Präeklampsie-Phänotypen. Die Autor:innen sehen darin eine Grundlage für künftige Risikostratifizierung und personalisiertere Versorgung.

Kernaussagen

  • 3 Phänotypen der Präeklampsie wurden identifiziert
  • Cluster A: frühere Entbindung und höchste Komplikationsraten
  • Cluster C: meist Termingeburten und niedrigste Komplikationsraten

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Kohortenstudie in der Zeitschrift BJOG: An International Journal of Obstetrics & Gynaecology, online erschienen am 14.05.2026. Verfasst von Ohad Houri und 18 weiteren Autor:innen. Beteiligte Einrichtung: BCNatal-Barcelona Center for Maternal-Fetal and Neonatal Medicine (Hospital Clínic and Hospital Sant Joan de Deu), IDIBAPS, University of Barcelona, …. Hauptthemen laut MEDLINE: Pre-Eclampsia, Phenotype, Unsupervised Machine Learning. Die Arbeit wurde bisher 2-mal zitiert (Crossref) und nennt 63 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: Departament de Recerca i Universitats de la Generalitat de Catalunya, Instituto de Salud Carlos III, European Union.

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Objective

To explore clinically meaningful phenotypes of preeclampsia using unsupervised machine learning.

Design

Prospective cohort study.

Setting

BCNatal, a tertiary maternal‐foetal medicine centre (Barcelona, Spain). Population A total of 482 pregnant women diagnosed with preeclampsia between August 2013 and April 2024.

Methods

Maternal demographic, clinical, ultrasound and laboratory data were prospectively collected, together with delivery details and maternal and neonatal complications. We generated a patient representation using maternal age, height, weight, body‐mass index, blood pressure, angiogenic factors, urinary albumin/creatinine ratio, gestational age at birth and birthweight centile. Dimensionality reduction was performed using Uniform Manifold Approximation and Projection, followed by k ‐means clustering to identify phenotypes. Main Outcome Measures Maternal and neonatal characteristics and complication rates were compared across clusters to evaluate the clinical significance of the data‐driven phenotypes.

Results

Three phenotypes were identified. Cluster A ( n = 223; 46.2%) showed earlier delivery (mean 33.1 ± SD 3.3 weeks), marked angiogenic imbalance, prevalent foetal growth restriction (64%) and the highest rates of maternal (23%) and neonatal (41%) complications. Cluster B ( n = 147; 30.5%) had later delivery (37.0 ± 2.1 weeks), moderate angiogenic imbalance and intermediate birthweight centiles (15.5 ± 9.7). Cluster C ( n = 112; 23.2%) comprised mostly term cases (38.2 ± 1.5 weeks) with the lowest angiogenic imbalance and the highest birthweight centile (67.9 ± 27.3); obesity (31%) and diabetes (15%) were most prevalent and maternal (4%) and neonatal (9%) complications were least frequent.

Conclusions

Unsupervised learning delineated three preeclampsia phenotypes. These phenotypes could support the need for future risk stratification and more personalised management; prospective external validation is warranted.

Schlagwörter

MeSH-Schlagwörter (MEDLINE)

Pre-EclampsiaPhenotypeUnsupervised Machine LearningHumansFemalePregnancyProspective StudiesAdultClustering AlgorithmsGestational AgeSpainInfant, NewbornBirth Weight

Stichwörter der Autor:innen

cluster analysispreeclampsiapregnancy complicationsunsupervised machine learning

Autor:innen und Institutionen

  • BCNatal-Barcelona Center for Maternal-Fetal and Neonatal Medicine (Hospital Clínic and Hospital Sant Joan de Deu), IDIBAPS, University of Barcelona, Barcelona, Spain.
  • Primary Care Interventions to Prevent Maternal and Child Chronic Diseases of Perinatal and Developmental Origin RD21/0012/0003, Instituto de Salud Carlos III, Madrid, Spain.
  • Dexeus Mujer (Hospital Universitari Dexeus), Barcelona, Spain.
  • Centro de Investigación Biomédica en Red de Fisiopatología de la Obesidad y Nutrición (CIBEROBN), Madrid, Spain.
  • BCN Medtech, Department of Information and Communication Technologies, Universitat Pompeu Fabra, Barcelona, Spain.
  • ICREA, Barcelona, Spain.

ORCID-Profile: Ohad Houri, Leticia Benitez, Eva Meler

Förderung

  • Departament de Recerca i Universitats de la Generalitat de Catalunya
  • Instituto de Salud Carlos III
  • European Union
  • Fundació Mutua Madrileña
  • Fundació La Marató de TV3
  • BITRECS fellowship programme
  • 'la Caixa' Foundation
  • Fundación Alfonso Martín Escudero

Zitieren

APA

Houri, O., Youssef, L., Crovetto, F., Borrell, M., Crimella, M., Ferrante, M. G., Novoa, R. H., Casas, I., Encabo, N., Benitez, L., Larroya, M., Peguero, A., Meler, E., Castro-Barquero, S., Bijnens, B., Figueras, F., Gratacos, E., Bernardino, G., & Crispi, F. (2026). Phenotyping Preeclampsia Using Unsupervised Machine Learning: A Prospective Cohort Study. BJOG: An International Journal of Obstetrics & Gynaecology, 133(10), 1926-1936. https://doi.org/10.1111/1471-0528.70262

Vancouver

Houri O, Youssef L, Crovetto F, Borrell M, Crimella M, Ferrante MG, et al. Phenotyping Preeclampsia Using Unsupervised Machine Learning: A Prospective Cohort Study. BJOG: An International Journal of Obstetrics & Gynaecology. 2026;133(10):1926-1936. doi:10.1111/1471-0528.70262

BibTeX
@article{Houri2026,
  author = {Houri, Ohad and Youssef, Lina and Crovetto, Francesca and Borrell, Maria and Crimella, Maddalena and Ferrante, Maria Giulia and Novoa, Rommy H and Casas, Irene and Encabo, Noelia and Benitez, Leticia and Larroya, Marta and Peguero, Anna and Meler, Eva and Castro-Barquero, Sara and Bijnens, Bart and Figueras, Francesc and Gratacos, Eduard and Bernardino, Gabriel and Crispi, Fàtima},
  title = {Phenotyping Preeclampsia Using Unsupervised Machine Learning: A Prospective Cohort Study},
  journal = {BJOG: An International Journal of Obstetrics & Gynaecology},
  year = {2026},
  volume = {133},
  number = {10},
  pages = {1926--1936},
  doi = {10.1111/1471-0528.70262}
}
Kostenlos starten →