Tools für maschinelles Lernen markieren Prädiktoren für fetale Herzfrequenzänderungen

Quelle: Getty Images

Von Shania Kennedy

5. Juni 2023 – Laut einer letzten Monat in BMC Pregnancy and Childbirth veröffentlichten Studie haben Forscher Methoden des maschinellen Lernens (ML) entwickelt, die Prädiktoren im Zusammenhang mit Veränderungen der fetalen Herzfrequenz nach neuroaxialer Analgesie bei gesunden schwangeren Patientinnen genau identifizieren können.

Die Forscher erklärten, dass die neuraxiale Analgesie, eine in den USA weit verbreitete Wehenanalgesiemethode, die spinale, epidurale und kombinierte spinal-epidurale (CSE) Techniken umfasst, mit Veränderungen der fetalen Herzfrequenz verbunden ist.

Diese Veränderungen können von selbst verschwinden, ein deutlicher Abfall der Herzfrequenz, die sogenannte fetale Bradykardie, kann jedoch auf potenziell schwerwiegende Gesundheitsprobleme hinweisen. Das Forschungsteam stellte jedoch außerdem fest, dass mehrere Faktoren die Wahrscheinlichkeit einer fetalen Bradykardie erhöhen können, was die Vorhersage der Erkrankung erschwert.

Um dieses Problem anzugehen, wandten sich die Forscher an ML. Eine Erkrankung mit mehreren möglichen Prädiktorvariablen wie fetale Bradykardie erfordert die Analyse großer Datenmengen, um herauszufinden, welche Prädiktoren im klinischen Umfeld am nützlichsten sind.

In einem Blogbeitrag über ihre Forschung wiesen die Autoren der Studie darauf hin, dass ML-Modelle aufgrund ihrer dynamischen Natur für eine solche Aufgabe gut geeignet seien.

„Diese Modelle sind besonders nützlich für die Verwaltung mehrerer Prädiktorvariablen mit unzähligen potenziellen Interaktionen, deren Berücksichtigung bei der Verwendung herkömmlicher Modelle möglicherweise mehr Arbeit erfordert“, schreiben die Autoren. „Die in diesem Zweig der künstlichen Intelligenz [KI] verwendeten Algorithmen enthalten Prädiktorvariablen, die durch bloßes Hintergrundwissen möglicherweise nicht sichtbar sind. Darüber hinaus können bei der Verwendung unbeaufsichtigter maschineller Lernmethoden unbekannte Muster aufgedeckt werden.“

ML-Algorithmen treffen auch keine Annahmen über die Beziehung zwischen einem Prädiktor und einem Ergebnis, während Menschen eher davon ausgehen, dass zwischen beiden eine lineare Beziehung besteht, erklärten die Autoren. Dies kann zu einer verbesserten Genauigkeit von ML-Algorithmen führen.

Um geeignete Modelle zur Identifizierung von Prädiktoren fetaler Herzfrequenzänderungen zu entwickeln, führten die Forscher eine retrospektive Analyse von 1.077 gesunden gebärenden Patienten durch, die eine neuraxiale Analgesie erhielten.

Anhand dieser Daten verglich das Forschungsteam die Leistung von vier Modellen: Hauptkomponentenregression, Random Forest, elastisches Netzmodell und multiple lineare Regression. Für jedes Modell wurden die Vorhersagegenauigkeit und Interpretierbarkeit bewertet.

Die Forscher fanden heraus, dass das Random-Forest-Modell hinsichtlich der Genauigkeit die beste Leistung erzielte, indem es den mittleren quadratischen Fehler (MSE) verwendete, ein Maß, das die durchschnittliche Differenz zwischen vorhergesagten und gemessenen Werten darstellt.

Das Random Forest-Modell hatte einen MSE von 0,9, während die anderen drei Modelle einen MSE von 42 oder höher hatten.

Die Analyse zeigte auch, dass mehrere Faktoren eine signifikante Rolle bei Veränderungen der fetalen Herzfrequenz nach einer neuraxialen Wehenanalgesie spielen, darunter der Body-Mass-Index (BMI) der Mutter, die Länge der ersten Phase der Wehen, der Einsatz von CSE-Techniken zur neuraxialen Analgesie usw die Menge des verabreichten Bupivacains.

Die Forscher gaben an, dass diese Ergebnisse wichtige praktische Auswirkungen haben, wenn es darum geht, Licht auf kaum verstandene medizinische Probleme zu werfen. Im Rahmen ihrer Studie stellten sie fest, dass ein ML-Ansatz das Potenzial hat, das Bewusstsein der Ärzte für Risiken im Zusammenhang mit Veränderungen der fetalen Herzfrequenz bei gesunden schwangeren Patientinnen zu schärfen, was es ihnen ermöglichen würde, Behandlungspläne anzupassen.

Andere Forscher und Kliniker versuchen ebenfalls, KI zu nutzen, um die Geburts- und Entbindungsergebnisse zu verbessern.

Letztes Jahr haben Forscher der Mayo Clinic ein KI-basiertes Risikovorhersagemodell entwickelt, um die individuellen Wehenrisiken schwangerer Patientinnen im Zusammenhang mit einer vaginalen Entbindung vorherzusagen.

Das Modell verwendet Patientendaten, die aus den jüngsten klinischen Beurteilungen der Patienten, dem kumulativen Wehenfortschritt seit der Aufnahme und Basismerkmalen zu Beginn der Wehen gesammelt wurden, um mögliche Entbindungsergebnisse für die Patientin und ihr Baby anzuzeigen.

Die Forscher gaben an, dass das Modell in den Arbeitseinheiten der Mayo Clinic validiert wird.