Une nouvelle analyse basée sur l'IA de près de 10 000 grossesses a découvert des combinaisons de facteurs de risque non identifiées auparavant liées à de graves résultats négatifs de grossesse, y compris la mortinaissance.
L'étude a également révélé qu'il peut y avoir jusqu'à une différence décuplée dans le risque de nourrissons actuellement traités de manière identique en vertu des directives cliniques.
Nathan Blue, MD, l'auteur principal de l'étude, dit que le modèle d'IA que les chercheurs générés a aidé à identifier une combinaison « vraiment inattendue » de facteurs associés à un risque plus élevé, et que le modèle est une étape importante vers une évaluation et une grossesse des risques plus personnalisés soins.
Les nouveaux résultats sont publiés dans Grossesse BMC et accouchement.
Risques inattendus
Les chercheurs ont commencé avec un ensemble de données existant de 9 558 grossesses à l'échelle nationale, qui comprenait des informations sur les caractéristiques sociales et physiques allant du niveau de soutien social des personnes enceintes à leur tension artérielle, à leurs antécédents médicaux et à leur poids fœtal, ainsi qu'à l'issue de chaque grossesse. En utilisant l'IA pour rechercher des modèles dans les données, ils ont identifié de nouvelles combinaisons de caractéristiques maternelles et fœtales qui étaient liées à des résultats de grossesse malsains tels que la moralisation.
Habituellement, les fœtus femelles présentent un risque légèrement plus faible de complications que les fœtus mâles – un effet petit mais bien établi. Mais l'équipe de recherche a constaté que si une personne enceinte souffrait de diabète préexistant, les fœtus féminines sont plus à risque que les hommes.
Ce modèle auparavant non détecté montre que le modèle d'IA peut aider les chercheurs à apprendre de nouvelles choses sur la santé de la grossesse, explique Blue, professeur adjoint d'obstétrique et de gynécologie à la Spencer Fox Eccles School of Medicine à l'Université de l'Utah.
Il a détecté quelque chose qui pourrait être utilisé pour éclairer les risques que même le cerveau de clinicien vraiment flexible et expérimenté ne reconnaissait pas. «
Nathan Blue, MD, auteur principal de l'étude
Les chercheurs étaient particulièrement intéressés à développer de meilleures estimations de risques pour les fœtus dans les 10% inférieurs pour le poids, mais pas les 3% les plus bas. Ces bébés sont assez petits pour être préoccupants, mais suffisamment grands pour qu'ils soient généralement en parfaite santé. Déterminer la meilleure ligne de conduite dans ces cas est difficile: une grossesse aura-t-elle besoin d'une surveillance intensive et d'un accouchement potentiellement précoce, ou la grossesse peut-elle se procurer en grande partie comme normal? Les directives cliniques actuelles conseillent un suivi médical intensif de toutes ces grossesses, qui peut représenter un fardeau émotionnel et financier important.
Mais les chercheurs ont constaté que dans cette catégorie de poids fœtal, le risque d'un résultat de grossesse malsain variait considérablement, de l'absence de plus risque qu'une grossesse moyenne à près de dix fois le risque moyen. Le risque était basé sur une combinaison de facteurs tels que le sexe fœtal, la présence ou l'absence de diabète préexistant, et la présence ou l'absence d'une anomalie fœtale telle qu'une malformarie cardiaque.
Blue souligne que l'étude n'a détecté que les corrélations entre les variables et ne fournit pas d'informations sur ce qui provoque réellement des résultats négatifs.
Le large éventail de risques est sauvegardé par l'intuition des médecins, dit Blue; Les médecins expérimentés sont conscients que de nombreux fœtus à faible poids sont sains et utiliseront de nombreux facteurs supplémentaires pour faire des jugements individualisés sur le risque et le traitement. Mais un outil d'évaluation des risques d'IA pourrait offrir des avantages importants par rapport à ces «vérifications intestinales», aidant les médecins à faire des recommandations qui sont informées, reproductibles et équitables.
Pourquoi ai
Pour les modèles humains ou IA, l'estimation des risques de grossesse implique de prendre en compte un très grand nombre de variables, de la santé maternelle aux données échographiques. Les cliniciens expérimentés peuvent peser toutes ces variables pour prendre des décisions de soins individualisées, mais même les meilleurs médecins ne seraient probablement pas en mesure de quantifier exactement comment ils sont arrivés à leur décision finale. Des facteurs humains comme le biais, l'humeur ou la privation de sommeil se glissent presque inévitablement dans le mélange et peuvent subtilement les appels de jugement des soins idéaux.
Pour aider à résoudre ce problème, les chercheurs ont utilisé un type de modèle appelé « IA explicable », qui fournit à l'utilisateur le risque estimé pour un ensemble donné de facteurs de grossesse et comprend également des informations sur les variables qui ont contribué à cette estimation du risque, et combien . Contrairement à la « boîte fermée » plus familière, qui est largement impénétrable même aux experts, le modèle explicable « montre son travail », révélant des sources de biais afin qu'elles puissent être traitées.
Essentiellement, l'IA explicable se rapproche de la flexibilité du jugement clinique expert tout en évitant ses pièges. Le modèle des chercheurs est également particulièrement bien adapté pour juger le risque de scénarios de grossesse rares, estimant avec précision les résultats pour les personnes ayant des combinaisons uniques de facteurs de risque. Ce type d'outil pourrait finalement aider à personnaliser les soins en guidant les décisions éclairées pour les personnes dont les situations sont uniques.
Les chercheurs doivent encore tester et valider leur modèle dans de nouvelles populations pour s'assurer qu'elle peut prédire le risque dans les situations du monde réel. Mais le bleu espère qu'un modèle explicable basé sur l'IA pourrait finalement aider à personnaliser l'évaluation et le traitement des risques pendant la grossesse. « Les modèles d'IA peuvent essentiellement estimer un risque spécifique au contexte d'une personne donnée », dit-il, « et ils peuvent le faire de manière transparente et reproductible, ce que notre cerveau ne peut pas faire. »
« Ce type de capacité serait transformationnel dans notre domaine », dit-il.
Les autres chercheurs de l'Université de l'Utah en santé à l'étude comprennent le premier auteur Raquel Zimmerman; Edgar Hernandez, PhD; Mark Yandell, PhD; Martin Tristani-Firouzi, MD; et Robert Silver, MD.
Ces résultats ont été publiés dans Grossesse BMC et accouchement Comme « l'analyse basée sur l'IA de la restriction de la croissance fœtale dans une cohorte obstétricale prospective quantifie les risques composés pour la morbidité et la mortalité périnatales et identifie des scénarios cliniques à haut risque précédemment non reconnus ».
La recherche a été financée par le programme One U Data Science Hub Seed Grant Grant, R Baby Foundation et le NICHD (Numéros de récompense U10 HD063020, U10 HD063037, U10 HD063041, U10 HD063046, U10 HD063047, U10 HD063048, U10 HD06305, U10 HD063072, 2k12 -07). Le contenu est uniquement la responsabilité des auteurs et ne représente pas nécessairement les opinions officielles des National Institutes of Health.
