妊娠期高血压、糖尿病和早产这类并发症严重威胁着母婴安全，传统的筛查方式多半依赖特定时间点的影像学或实验室检查，很难完整捕捉到孕期持续变化的生理病理轨迹。电子健康档案虽然积累了大量纵向临床数据，但这些信息异构、稀疏且缺乏统一的结构化标准，人工智能模型直接拿来用的难度相当大。2026年9月4日，重庆医科大学第一附属医院吴昊团队、温州医科大学附属眼视光医院张康团队、上海交通大学夏虞斌团队、北京大学曾凡新团队和澳门科技大学王凯团队在《Nature Medicine》上发表了一项研究，论文的标题是“Prediction of maternal and infant outcomes from longitudinal electronic health records with a Mother-Child AI agent”。研究团队开发了一套名为MoChiAgent的临床决策支持系统，系统中最核心的预测引擎叫作MoChiFormer，这个模型基于Transformer架构设计，能够整合整个孕期和婴儿期超过440万次临床就诊产生的纵向电子健康档案数据，完成多种母儿疾病的精准诊断和未来发生风险的预测工作。
MoChiFormer模型有一个很重要的功能，就是能自动把缺失的实验室检查结果补上，同时还能消除不同医疗机构之间因为检测设备和参考范围不同而产生的批次效应，这样学到的患者表征向量就具有了生理学意义。研究团队用这些表征做了胎儿年龄、孕周和婴儿年龄的预测模型，在内部验证集上三个任务的平均绝对误差分别只有2.97周、2.96周和0.06年，在外部验证队列里也保持了不错的泛化性能，说明模型学到的表征确实反映了真实的发育进度。他们接着用UMAP做降维，再用Leiden算法做聚类，结果在母体和婴儿群体中都找到了好几个健康状态亚型，不同亚型之间疾病的发病风险差异很大。高风险簇的孕妇发生异位妊娠的风险比低风险簇高出2.2倍，妊娠期糖尿病的风险高出2.7倍，妊娠期高血压、胎膜早破和产后出血的风险也高出了一大截。
模型在疾病诊断和预测方面的表现也很突出，内部验证集里诊断胎盘早剥、胎膜早破和早产的AUROC分别达到了0.89、0.89和0.91。预测未来30天到120天内疾病发生风险的时候，妊娠期糖尿病和妊娠期高血压的AUROC都维持在0.79的水平上。婴儿疾病这边，模型诊断新生儿黄疸和围产期感染的AUROC分别做到了0.94和0.93，预测未来疾病风险的AUROC也普遍在0.80以上。外部验证队列里母儿疾病的诊断AUROC在0.870到0.934之间，预测AUROC在0.700到0.908之间，说明这个模型换了一家医院照样能稳定工作。研究团队还做了几组消融实验来验证模型到底在学什么东西，他们把血压、血糖这类跟诊断直接相关的特征去掉，以及逐步删除诊断前不同时间窗口的数据，结果模型的预测性能虽然下降了但没有彻底垮掉，这说明MoChiFormer确实是从完整的纵向临床轨迹里提取风险信号的。
研究团队还分析了母亲和婴儿之间的跨代际风险关联，他们发现母亲孕期电子健康档案的聚类结果和婴儿期疾病风险之间有很明确的关系。母亲如果处在特定的高风险聚类里面，她的宝宝发生新生儿黄疸的风险比达到了2.81，发生血液系统疾病的风险比也有2.83。把母亲孕期的数据和婴儿的数据放在一起训练之后，模型诊断婴儿染色体异常和呼吸系统疾病的能力变得更强了，对生长迟缓或营养不良这类未来风险的预测能力也有了明显提升。研究团队还搭了一个基于大语言模型的交互界面，医生用自然语言提问，系统就能自动调用相应的工具，最后生成一份结构化报告，报告里面既包含了MoChiFormer算出来的定量风险评估结果，也附上了从循证医学文献和权威指南里检索到的参考依据。六位围产医学专家对25个从未见过的病例做了盲法评估，MoChiAgent在诊断准确性、诊疗方案完整性和临床安全性三个维度上的评分都比GPT-5.5和Gemini 3.1 Pro高出了一截。这项研究展示了纵向电子健康档案结合人工智能技术在母儿健康管理上的应用价值，MoChiAgent提供了一个可解释、可追溯的风险分层与决策支持框架，后续还需要更大规模的多中心前瞻性研究来验证它在真实临床场景里的实际效果和安全性。
READING
BioPeers
热门跟贴