В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026 года), представлена PregBase — новая комплексная база знаний, разработанная для структурированного представления клинически значимой информации о беременности и прогнозирования биомаркеров. Авторы (Aashish Bhandari, Deval Mehta, Karin Verspoor, Damiano Spina, Feng Xia, Sonika Tyagi) создали онтологию, объединяющую данные из множества источников, включая электронные медицинские карты, литературу и клинические руководства, что позволяет унифицировать разнородные данные о материнском здоровье. Ключевой особенностью PregBase является интеграция графовой модели знаний с методами машинного обучения: база поддерживает предсказательные модели, которые на основе семантических связей между клиническими понятиями (например, гестационный возраст, осложнения, лабораторные показатели) прогнозируют риск развития таких состояний, как преэклампсия и гестационный диабет. Валидация на реальных клинических наборах данных показала улучшение точности прогнозирования биомаркеров на 12–18% по сравнению с традиционными подходами, основанными на плоских таблицах признаков. Методология включает автоматическое извлечение сущностей и отношений из текстов медицинских записей с использованием NLP-моделей, а также семантическое выравнивание с существующими стандартами (SNOMED CT, LOINC). Практическая значимость работы заключается в создании масштабируемой инфраструктуры, которая может быть использована для поддержки клинических решений, стратификации рисков и персонализированного мониторинга беременности, а также для повторного использования данных в исследовательских целях. Авторы подчёркивают, что PregBase решает проблему фрагментации данных в акушерстве и открывает путь к более точным и интерпретируемым моделям ИИ в перинатальной медицине.