孕期并发症能否被提前预判？MoChiAgent 母子AI智能体整合440万次纵向就诊记录预测母婴疾病风险

一、研究背景

全球每年有数十万孕产妇因妊娠并发症失去生命，数百万新生儿面临健康威胁。可一个尴尬的现实是：我们手里并不缺数据——每一次常规产检都在记录血常规、肝肾功能、血压、脉搏，只是这些数据长期被当成「单次快照」来读，读不出时间维度上的趋势，也就读不出疾病悄悄逼近的轨迹。

更棘手的是，许多严重的妊娠并发症——胎盘早剥、子痫前期、胎膜早破——一旦出现明显症状，往往已经错过了最佳干预时机。传统的风险评估，要么依赖产科医生的个人经验，要么需要成本较高、甚至带创的检查或影像手段。有没有一种方法，能从那些看似「平淡无奇」的常规检查数据里，提前读懂身体发出的预警信号？

这正是川北医学院、上海交通大学、重庆医科大学附属第一医院、温州医科大学、澳门科技大学、复旦大学等多家中外机构组成的「国际医疗健康数字孪生联盟」想要回答的问题。2026 年 9 月 4 日，他们题为《Prediction of maternal and infant outcomes from longitudinal electronic health records with a Mother-Child AI agent》的研究在线发表于 Nature Medicine DOI: 10.1038/s41591-026-04694-y，交出的答案是「母子 AI 智能体」——MoChiAgent。

二、研究创新点

MoChiAgent 的定位很明确：一个基于大语言模型（LLM）的临床决策支持助手，而不是替代医生的自动化诊断工具。它的核心引擎名为 MoChiFormer，是一套有监督的深度模型。相对此前的同类工作，它有三处实打实的推进：

第一，不依赖昂贵影像，只吃「常规数据」。 系统从血常规、肝肾功能、血压、脉搏等常规检验与生命体征中提取信息，这意味着它在资源有限、检查不齐全的基层产科也具备落地可能。

第二，规模罕见。 研究收集了来自三家医院、超过 100 万名孕妇和近 40 万名婴儿的电子健康档案，总计超过 440 万次纵向就诊记录，用来开发和内部评估；又在独立的外部队列（母体 263,452 次就诊、婴儿 23,192 次就诊）上验证。这样的体量，让它有机会学到「跨医院、跨孕周」都稳定的普适规律。

第三，从「诊断当下」延伸到「预测未来」。 团队设计了严格的屏蔽验证：把诊断日期之前 30 天、60 天、90 天乃至 120 天的数据全部遮掉，看模型能否仅凭更早的记录做出预测——结果它依然能稳定给出风险信号，说明它学到的是疾病发展的动态轨迹，而非「看见高血压就报高血压」式的简单套模板。

三、技术原理

MoChiAgent 可以理解成「一个会读时间故事的临床助手」，它的能力拆成三块：

一是「补缺」与「对齐」。 不同医院的检查项目不统一，同一孕妇在不同孕周做的项目也不一样。MoChiFormer 能根据已有数据合理重建缺失的实验室数值，并通过特殊训练自动校正不同医院检测设备带来的「批次效应」，让模型跨机构迁移时不至于失真。

二是「生物时钟」。 它仅凭常规血液检查，就能相当准确地估算胎儿孕周（误差约 3 周）和婴儿月龄（误差约 0.06 岁）。这背后是实打实的生理规律——例如碱性磷酸酶在孕晚期显著升高，是胎盘成熟的重要标志；母体脉搏与舒张压的变化，则反映了为满足胎盘供血而发生的血流动力学调整。

三是「健康地图 + 知识检索」。 模型把孕妇的健康数据投射到二维空间，相似的孕周与健康状况自动聚成「簇」，不同的簇对应截然不同的疾病风险，实现数据驱动的风险分层。预测完成后，一个 Knowledge Search Tool（知识检索工具） 会依据预测结果，从整理过的医学文献与权威指南（如 PubMed、ACOG、WHO）里检索对应的干预与治疗建议。前端则是一个自然语言接口：医生输入一句「评估这位孕妇的子痫前期风险并推荐监测计划」，系统就依次完成风险量化、关键因素展示、指南检索与结构化报告生成。

四、实验结果

对母体健康，MoChiFormer 对若干关键妊娠状态表现出较高的识别能力 DOI: 10.1038/s41591-026-04694-y：

• 胎盘早剥：AUROC 0.89
• 胎膜早破：AUROC 0.89
• 早产临产：AUROC 0.91

更值得关注的是「未来预测」：即便提前屏蔽诊断前 30 天以上的数据，模型对妊娠期糖尿病、妊娠期高血压、流产等结局的预测能力依旧可观，且随可用历史就诊次数增加而稳步提升——这印证了它在学习疾病轨迹，而非死记硬背。

研究还揭示了一个跨代际的发现：把母亲孕期的数据与孩子出生后的健康记录配对分析后，特定母体簇群所生的婴儿，出现新生儿黄疸的风险是其他簇群的 2.81 倍（95% CI 2.60–3.03），患血液系统疾病的风险达 2.83 倍（95% CI 2.62–3.05）；而把母亲妊娠期电子健康档案与婴儿记录整合，还能改善对染色体异常、呼吸系统疾病等婴儿结局的预测。

为检验前端接口的临床可用性，团队邀请了围产医学专家，对真实病例做双盲评估，结果显示 MoChiAgent 在诊断准确性、诊疗方案完整性、临床安全性等维度上优于通用大模型（如 GPT-5.5、Gemini 3.1 Pro）与医疗检索工具。

五、应用前景

这项研究最直接的落地场景，是孕早期的风险分层：在疾病还没显山露水时，就把高危孕妇筛出来，引导她们接受更密集的监测或转诊到专科，从而把产科照护从「出了事再救」推向「出事前就分层」。而跨代预测的发现，则意味着孕期保健的价值会「溢出」到下一代——孕期更精准的干预，可能同时改善两代人的健康结局。

但作者把边界讲得很克制。其一，数据全部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尚待验证；其二，当前模型主要基于结构化实验室数据，尚未整合临床笔记、影像、用药史与社会经济因素；其三，这仍是回顾性研究，深度模型的可解释性也有局限。要让 MoChiAgent 真正进入产房、改变临床决策，还需前瞻性临床试验来证明它能否改善患者真实结局、会不会带来误报或警报疲劳。

六、结论

MoChiAgent 的价值，不在「AI 又破了一个纪录」，而在它指出了一个被长期忽视的方向：那些我们习以为常的常规产检数据里，其实藏着巨大的、未被充分利用的预警信息。每一次抽血、每一次量血压，都在讲述身体的故事；MoChiAgent 就像一位耐心的翻译官，把这些零散的数据片段串成完整的健康叙事，让我们得以在疾病的乌云压境之前，先看见天际线上泛起的那一抹阴影 DOI: 10.1038/s41591-026-04694-y。

当然，从回顾性验证到前瞻性落地，中间还有很长的路要走。但「用纵向数据做风险分层、用知识检索把预测接回循证建议」这套组合拳，正在成为医疗 AI 智能体走向临床决策支持时一条越来越清晰的标准路径。

论文原文信息地址：https://www.simoagent.com/blog/2026-09-07-mochiagent-maternal-infant-risk/

参考文献

1. Liu S, Zheng W, Kang J, Xu T, Chen S, Li G, et al. Prediction of maternal and infant outcomes from longitudinal electronic health records with a Mother-Child AI agent. Nature Medicine, 2026. DOI: 10.1038/s41591-026-04694-y
2. Ferber D, Wölflein G, Wiest IC, Ligero M, Jaiswal S, Wang W, et al. Towards autonomous medical artificial intelligence agents. Nature, 2026. DOI: 10.1038/s41586-026-10675-5