Исследование показывает, что медицинские данные матерей и младенцев предсказывают осложнения недоношенности.
Просматривая электронные медицинские карты матерей и младенцев с помощью алгоритма машинного обучения, ученые могут предсказать, как новорожденные из групп риска будут жить в первые два месяца жизни. Новый метод позволяет врачам классифицировать во время или до рождения младенцев, у которых могут развиться осложнения недоношенности.
Исследование, описывающее метод, разработанный в Стэнфордской школе медицины, было опубликовано в Интернете 15 февраля в журнале Science Translational Medicine.
«Это новый способ мышления о преждевременных родах , в котором основное внимание уделяется индивидуальным факторам здоровья новорожденных, а не только тому, насколько рано они родились», — сказал старший автор исследования Нима Агаепур, доктор философии, доцент анестезиологии, периоперационной и обезболивающей медицины и педиатрии. Ведущими авторами исследования являются ученый с докторской степенью Давиде Де Франческо, доктор философии, и Джонатан Рейсс, доктор медицинских наук, преподаватель педиатрии.
Традиционно определяемые как рождение на три недели раньше срока, преждевременные роды связаны с осложнениями в легких, мозге, зрении, слухе и пищеварительной системе младенцев. Хотя более ранние роды обычно сопряжены с более высоким риском, время рождения лишь приблизительно предсказывает, как будет развиваться конкретный младенец. У одних младенцев, рожденных довольно рано, осложнений не возникает, тогда как другие, рожденные на том же сроке беременности, тяжело болеют или умирают.
«Преждевременные роды являются самой распространенной причиной смерти детей в возрасте до пяти лет во всем мире, и у нас не было хороших решений», — сказал Агаепур. «Сосредоточив наши исследования на прогнозировании здоровья этих детей, мы можем оптимизировать уход за ними».
Многие осложнения недоношенности проявляются через несколько дней или недель после рождения, нанося тем временем значительный ущерб здоровью новорожденных. Знание того, какие младенцы находятся в группе риска, может позволить принять превентивные меры.
«Мы в основном смотрим на ребенка, чтобы принять решение о лечении в неонатологии, но мы обнаруживаем, что можем получить ценную информацию из истории болезни матери, действительно ориентируясь на то, как траектории отдельных детей были сформированы под воздействием их конкретной материнской среды. — сказал соавтор исследования Дэвид Стивенсон, доктор медицинских наук, неонатолог Детской больницы Люсиль Паккард в Стэнфорде, профессор педиатрии и директор исследовательского центра March of Dimes в Медицинской школе Стэнфорда.
«Это шаг к точной медицине для младенцев», — добавил он.
Чтение медицинских записей, как книг
Исследователи связали электронные медицинские карты матерей из Stanford Health Care и их детей из Stanford Medicine Children’s Health, охватив 32 354 живорождений, произошедших в период с 2014 по 2020 год. пациенты Стэнфордской медицины до беременности, данные о состоянии здоровья до того, как они забеременели. Записи младенцев начинались с информации, записанной при рождении, включая вес; анализы крови; и шкала Апгар, которая оценивается в родильном зале через одну и пять минут после рождения. Оценка по шкале Апгар включает такие факторы, как пульс ребенка, дыхание и мышечный тонус.
Используя алгоритм машинного обучения, называемый нейронной сетью с долговременной кратковременной памятью , исследователи построили математическую модель на основе медицинских записей и проверили, может ли она предсказать 24 возможных исхода для здоровья младенцев в течение двух месяцев после рождения.
«Использование электронных медицинских карт сопряжено с вычислительной проблемой, поскольку они носят продольный характер и содержат большой объем данных от каждого пациента», — сказал Агаепур. «Нейронная сеть с долговременной кратковременной памятью работает так же, как человек, читающий книгу. Когда мы читаем, мы не запоминаем каждое слово, но запоминаем ключевые понятия, читаем следующую часть, добавляем еще ключевых понятий и запоминаем. Алгоритм не запоминает всю электронную медицинскую карту каждого пациента, но он может запоминать ключевые понятия и доводить их до точки, где мы делаем прогноз».
Во время рождения модель машинного обучения давала надежные прогнозы, для которых у младенцев будут развиваться различные состояния, включая бронхолегочную дисплазию, тип хронического заболевания легких; ретинопатия недоношенных, проблема с сетчаткой, которая может привести к потере зрения или слепоте; анемия недоношенных; и некротизирующий энтероколит, тяжелое желудочно-кишечное осложнение, часто не диагностируемое в течение нескольких недель после рождения, когда вмешательства становятся сложными и связаны с плохими результатами.
Модель также дала надежные прогнозы за неделю до рождения для нескольких исходов, включая смертность и ретинопатию недоношенных, которая может вызвать потерю зрения или слепоту, а также умеренно сильные прогнозы для 11 других состояний.
«Я был удивлен тем, насколько велика наша предсказательная сила еще до того, как ребенок родился, и прямо при рождении», — сказал Агаепур. «Я не ожидал увидеть это. Я думал, что точность придет через несколько дней после рождения, как только мы соберем данные о ребенке».
Некоторые осложнения не были достоверно предсказаны моделью, например, у каких младенцев разовьется кандидоз или дрожжевые инфекции; полицитемия, высокая концентрация эритроцитов в крови; или синдром аспирации мекония, при котором младенец вдыхает меконий, липкое вещество, выделяемое из кишечника плода во время родов.
Исследователи подтвердили, что сила прогнозов не изменилась с годами (сравнивая рождаемость с 2014 по 2018 год с рождаемостью с 2019 по 2020 год); они также подтвердили некоторые результаты, используя независимую группу из 12 258 пар мать-ребенок из Калифорнийского университета в Сан-Франциско.
Прогнозы модели при рождении предоставили более точную информацию, чем используемые в настоящее время инструменты оценки риска, такие как шкала Апгар и оценка риска Национального института детского здоровья и развития человека. Исследователи отметили, что эти оценки учитывают только состояние ребенка при рождении и не включают никакой информации из истории болезни матери. Однако необходимы дополнительные исследования в более разнообразных группах населения, прежде чем этот инструмент машинного обучения будет готов заменить существующие калькуляторы риска у постели больного, говорят исследователи.
Здоровье матери имеет значение
По словам исследователей, модель выявила неожиданные связи между определенными состояниями здоровья или социальными условиями у матерей и здоровьем их младенцев.
Например, у матерей с анемией — распространенным осложнением беременности — чаще рождались новорожденные с анемией. Исследование показало, что у этих младенцев также более вероятно развитие кишечного осложнения некротизирующего энтероколита.
«Нам нужно изучить, какие связи объясняют эти отношения на биологическом уровне, поскольку они могут дать ключ к пониманию того, как возникают определенные условия», — сказал Стивенсон. «Это позволит нам лучше вмешиваться, чтобы помочь этим детям».
Новый алгоритм также смог связать определенные типы социально-экономического неблагополучия матерей с определенными осложнениями недоношенности у их детей.
«Если бы мать была бездомной, мы обнаружили, что воздействие на здоровье ребенка будет отличаться от воздействия лишения свободы, тогда как в традиционных парадигмах можно было бы подумать, что оба этих социально-экономических фактора имеют одинаковое влияние на риск недоношенности», — сказал Агаепур.
По словам Стивенсона, прогнозы модели могут помочь неонатологам лучше определить, какие пациенты выиграют от существующих протоколов для предотвращения осложнений при родах. Например, новорожденные, которые испытывают нехватку кислорода во время рождения, теперь могут получать протоколы охлаждения в раннем возрасте, которые снижают температуру их тела на несколько дней, чтобы предотвратить повреждение головного мозга. По его словам, прогностические оценки могут помочь выявить дополнительных младенцев, которым может помочь охлаждение.
По словам ученых, эту работу необходимо воспроизвести на более крупных и разнообразных популяциях пациентов и объединить с другими исследованиями Стэнфордской медицины, которые характеризуют беременность в соответствии с тысячами биомаркеров, которые меняются во время беременности.
