Nature Medicine：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

撰文丨王聪

编辑丨王多鱼

排版丨水成文

全球每年有数十万孕产妇因并发症失去生命，数百万新生儿面临健康威胁。传统的风险评估往往依赖医生的个人经验，或者需要侵入性的检查手段。更关键的是，许多严重并发症（例如子痫前期、胎盘早剥）一旦出现明显症状，往往已经错过了最佳干预时机。

那么，有没有一种方法，能够从看似普通的常规检查数据中，“读懂”身体发出的早期预警信号？

答案当然是肯定的。

2026 年 9 月 4 日，川北医学院/达州中心医院曾凡新教授、上海交通大学夏虞斌教授、重庆医科大学附属第一医院吴昊教授、温州医科大学/澳门科技大学张康教授、澳门科技大学王凯、复旦大学李晋研究员作为共同通讯作者，在国际顶尖医学期刊Nature Medicine上发表了题为：Prediction of maternal and infant outcomes from longitudinal electronic health records with a Mother-Child AI agent 的研究论文。

该研究开发了一个“母子 AI 智能体”（Mother-Child AI Agent，简称为 MoChiAgent），这是一种基于大语言模型的临床辅助工具，利用常规产检中的血液检验数据和电子健康档案，通过 AI 精准预测孕妇和新生儿可能面临的健康风险。

MoChiAgent：一位不知疲倦的“AI 产科医生”

这个名为MoChiAgent的 AI 智能体系统，本质上是一个基于大语言模型（LLM）的临床辅助工具，它的核心引擎叫做 MoChiFormer，就像一个超级分析大脑。

MoChiAgent 概述

研究团队收集了来自三家医院、超过 100 万名孕妇和近 40 万名婴儿的庞大电子健康档案数据——总计超过 440 万次就诊记录。这些数据包含了常规的实验室检查结果（血常规、肝功能、肾功能等）、血压、脉搏等基本生命体征。

MoChiFormer的厉害之处在于：

第一，它能“脑补”缺失的数据。 在实际临床中，不同医院的检查项目往往不统一，同一个孕妇在不同孕周做的检查也可能不一样。MoChiFormer 能够根据已有的数据，合理推断缺失的检查结果，填补信息的空白。

第二，它能消除“医院差异”。 不同医院的检测设备和标准可能存在细微差别，这会影响模型的准确性。MoChiFormer 通过特殊的训练方式，自动校正这些“批次效应”，使得模型在不同医院都能稳定工作。

第三，它能读懂“时间的故事”。 怀孕是一个动态的过程，单次的检查结果意义有限，关键在于各项指标随时间的变化趋势。MoChiFormer 能够捕捉这种纵向变化，从中提取出与健康状态密切相关的“数字指纹”。

它到底能做什么？三个令人惊叹的能力

1. 精准的“生物时钟”

研究团队发现，MoChiFormer能够仅凭常规血液检查数据，就相当准确地估算胎儿的孕周和婴儿的年龄。对于胎儿孕龄的估算，误差仅为约 3 周；对于婴儿月龄的估算，误差仅为约 0.06 岁。

常规的血液检查中，其实隐藏着丰富的生理发育信息，比如，碱性磷酸酶在孕晚期会显著升高，这是胎盘成熟的重要标志；而母体的脉搏和舒张压变化，则反映了为满足胎盘供血而发生的全身血流动力学调整。

更有意思的是，当研究团队将这套模型应用到另一家独立医院的验证数据中时，依然保持了良好的准确性——这说明它不是死记硬背，而是真正学到了普适的生理规律。

2. 绘制“健康地图”，识别高危人群

MoChiFormer 还能将所有孕妇的健康数据投射到一个二维的“健康地图”上。在这张地图上，相似的孕周和健康状况会自动聚集在一起，形成不同的“簇群”。

研究团队发现，不同的簇群有着截然不同的疾病风险：

• 处于某个特定簇群的孕妇，患妊娠期糖尿病的风险是其他簇群的 2.7 倍；

• 另一个簇群的孕妇，发生异位妊娠的风险高出 2.2 倍；

• 某些簇群的孕妇，更容易出现流产、早产、产后出血等紧急情况。

这种基于数据驱动的风险分层，比传统的单一危险因素评估要精准得多。更重要的是，这些风险评估可以在孕早期就完成，为临床医生争取到宝贵的干预窗口。

3. 预测未来：从当前数据看到未来的风险

这是整个研究最核心也最惊艳的部分。

MoChiFormer 不仅能诊断当前已经存在的疾病，还能预测未来可能发生的疾病。研究团队设计了一种严格的验证方法：他们故意屏蔽掉诊断日期前 30 天、60 天、90 天甚至 120 天的所有数据，看看模型能否仅凭更早的数据做出准确预测。结果令人振奋——

对于当前疾病的诊断：

• 妊娠期糖尿病：准确率（AUROC）达到 0.91；

• 妊娠期高血压：准确率达到 0.92；

• 流产：准确率达到 0.88。

对于未来疾病的预测（提前 30 天以上）：

• 妊娠期糖尿病：准确率达到 0.79；

• 妊娠期高血压：准确率达到 0.79；

• 流产：准确率达到 0.71。

更重要的是，随着可利用的历史就诊次数增加，预测准确率也在稳步提升。这表明 MoChiFormer 确实是在学习疾病发展的动态轨迹，而不是简单地“作弊”——比如仅仅因为血压高了就判断高血压。

跨越代际的惊人发现：妈妈的孕期数据，透露宝宝的健康密码

这项研究还有一个非常独特的视角——跨代际预测。

研究团队将母亲孕期的健康数据与孩子出生后的健康状况进行了关联分析。他们发现，母亲的孕期健康状态与孩子的健康风险存在显著的关联：在某些特定的孕期簇群中出生的婴儿，患新生儿黄疸的风险是其他簇群的 2.81 倍，患血液系统疾病的风险高达 2.83 倍。

而当研究团队将母亲的孕期数据与婴儿的出生后数据结合起来进行预测时，对婴儿疾病的诊断和预测能力进一步提升——尤其是在染色体异常和呼吸系统疾病的预测方面。

这个发现具有深远的临床意义：孕期保健不仅关乎母亲自身的健康，还会直接影响下一代的生命质量。 这也意味着，通过在孕期进行更精准的风险评估和干预，我们有可能同时改善两代人的健康结局。

不只是算法，更是看得见的“临床助手”

为了让这项技术真正落地到临床一线，研究团队还开发了一个原型大语言模型接口。医生只需输入简单的自然语言指令（比如“评估这位孕妇的子痫前期风险，并推荐监测计划”），系统就会自动完成以下操作：

1. 调用 MoChiFormer 进行风险评估，给出量化的概率值；

2. 显示关键影响因素：哪些化验指标的异常导致了高风险判断；

3. 检索权威指南：从 PubMed、ACOG（美国妇产科学会）、WHO（世界卫生组织）等数据库中，找到对应的循证医学证据；

4. 生成结构化报告：包括推荐的监测频率、检查项目和具体的参考文献。

为了测试这个接口的实际效果，研究团队邀请了 6 位围产医学专家，对 25 个真实病例进行了双盲评估。结果显示，MoChiAgent 在诊断准确性、诊疗方案完整性、临床安全性等多个维度上，都优于目前主流的通用 AI 模型（例如 GPT-5.5、Gemini 3.1 Pro）。

当然，任何科学研究都有其局限性。研究团队也坦诚地指出了几点：首先，所有数据均来自中国的医疗机构，模型在不同种族、不同医疗体系下的表现还需要进一步验证。其次，目前的模型主要基于结构化的实验室检查数据，尚未整合临床笔记、影像资料、用药史和社会经济因素等信息——这些都可能进一步提高预测精度。此外，虽然模型表现优异，但深度学习模型的可解释性仍然是一个挑战。尽管研究团队使用了 SHAP 等技术来展示哪些特征影响了预测结果，但对于个体患者而言，模型的内部推理过程仍不完全透明。最后也是最重要的，这项研究目前还停留在回顾性验证阶段。要让 MoChiAgent 真正进入产房、改变临床决策，还需要前瞻性的临床试验来证明：使用这个系统是否真的能改善患者的最终结局，是否会带来误报或漏报的风险，以及如何融入现有的临床工作流程而不造成“警报疲劳”。

AI 赋能，让每一次孕育更安心

这项研究的意义，不仅仅在于开发了一个性能优异的 AI 智能体系统，它还向我们展示了一个重要的理念：那些被我们习以为常的常规检查数据中，其实蕴含着巨大的未被充分利用的信息价值。

每一次抽血、每一次测量血压，都在默默讲述着身体的故事，MoChiAgent 就像一位细心的翻译官，将这些零散的数据片段串联成完整的健康叙事，让我们得以在疾病的风暴来临之前，提前看到天际线上升起的乌云。

论文链接：

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