Инструменты машинного обучения отмечают предикторы изменений сердечного ритма плода

Источник: Гетти Изображения

Шанайа Кеннеди

5 июня 2023 г. — Согласно исследованию, опубликованному в прошлом месяце в журнале BMC Pregnancy and Childbirth, исследователи разработали методы машинного обучения (ML), которые могут точно идентифицировать предикторы, связанные с изменениями сердечного ритма плода после нейроаксиальной аналгезии у здоровых беременных пациенток.

Исследователи объяснили, что нейроаксиальная анальгезия, широко используемый метод обезболивания родов в Соединенных Штатах, который включает в себя спинальную, эпидуральную и комбинированную спинально-эпидуральную (CSE) методику, связана с изменениями частоты сердечных сокращений плода.

Эти изменения могут пройти сами по себе, но значительное снижение частоты сердечных сокращений, известное как брадикардия плода, может указывать на потенциально серьезные проблемы со здоровьем. Тем не менее, исследовательская группа далее отметила, что множество факторов могут увеличить вероятность брадикардии плода, что затрудняет прогнозирование этого состояния.

Чтобы решить эту проблему, исследователи обратились к ML. Состояние с несколькими возможными предикторами, такое как брадикардия плода, требует анализа больших объемов данных, чтобы определить, какие предикторы наиболее полезны в клинических условиях.

В сообщении в блоге, в котором обсуждаются результаты исследования, авторы исследования указали, что динамический характер моделей машинного обучения делает их хорошо подходящими для такой задачи.

«Эти модели особенно полезны для управления несколькими переменными-предикторами с бесчисленным количеством потенциальных взаимодействий, что может потребовать дополнительной работы для учета использования традиционных моделей», — пишут авторы. «Алгоритмы, используемые в этой отрасли искусственного интеллекта [ИИ], включают в себя переменные-предсказатели, которые могут быть невидимы с помощью простых базовых знаний. Кроме того, когда используются неконтролируемые методы машинного обучения, могут быть обнаружены неизвестные закономерности».

Алгоритмы МО также не делают предположений о взаимосвязи между предиктором и результатом, тогда как люди с большей вероятностью предполагают, что между ними существует линейная связь, объяснили авторы. Это может привести к повышению точности алгоритмов ML.

Чтобы разработать модели, подходящие для выявления предикторов изменений сердечного ритма плода, исследователи провели ретроспективный анализ 1077 здоровых рожениц, получавших нейроаксиальную аналгезию.

Используя эти данные, исследовательская группа сравнила производительность четырех моделей: регрессии главных компонентов, случайного леса, модели эластичной сети и множественной линейной регрессии. Для каждой модели оценивались точность и интерпретируемость прогноза.

Исследователи обнаружили, что модель случайного леса достигла наилучших показателей с точки зрения точности с использованием среднеквадратической ошибки (MSE), меры, которая представляет собой среднюю разницу между прогнозируемыми и измеренными значениями.

Модель случайного леса имела MSE 0,9, тогда как у трех других моделей MSE составляла 42 или выше.

Анализ также показал, что значительную роль в изменении частоты сердечных сокращений плода после нейроаксиальной аналгезии родов играют многочисленные факторы, включая индекс массы тела матери (ИМТ), продолжительность первого периода родов, использование методов CSE для нейроаксиальной анальгезии и количество введенного бупивакаина.

Исследователи заявили, что эти результаты имеют ключевое практическое значение, проливая свет на плохо изученные медицинские проблемы. В контексте своего исследования они отметили, что подход ML потенциально может повысить осведомленность врачей о рисках, связанных с изменениями сердечного ритма плода у здоровых беременных, что позволит им корректировать планы лечения.

Другие исследователи и врачи также стремятся использовать ИИ для улучшения результатов родов.

В прошлом году исследователи клиники Мэйо разработали модель прогнозирования рисков на основе искусственного интеллекта для прогнозирования индивидуальных родовых рисков беременных, связанных с вагинальными родами.

Модель использует данные пациентов, собранные на основе последних клинических обследований пациентов, совокупного прогресса родов с момента госпитализации и исходных характеристик в начале родов, чтобы указать потенциальные исходы родов для пациентки и ее ребенка.