Dans un article récent publié dans npj Médecine Numériqueles chercheurs ont développé signal série2, un nouveau modèle de prédiction de pointe qui utilisait des données portables provenant de femmes enceintes pour prédire l’âge gestationnel (AG) comme indicateur de la progression de la grossesse et de la probabilité de mauvaises issues de grossesse, en particulier d’accouchement prématuré (PTB), basé sur sur les changements détectés par les appareils portables dans la qualité du sommeil maternel et les niveaux d’activité physique (AP).
Techniquement, série2signal classification et régression de séries chronologiques appliquées à chaque mini-lot compatible avec toutes les données de séries chronologiques. Il a utilisé un vaste pipeline d’apprentissage profond (DL) et d’analyse inférentielle basé sur l’intelligence artificielle (IA) post-hoc qui a automatisé les tâches en aval pour s’appuyer sur les représentations cachées de ce modèle et associer la sortie du modèle (un signal robuste des niveaux d’AP maternelle et des comportements de sommeil) avec la mère. et les résultats en matière de santé néonatale et les paramètres cliniques.
Sommaire
Arrière-plan
La PTB est l’une des principales causes de mortalité infantile dans le monde. Pourtant, peu d’interventions efficaces et peu coûteuses pour prévenir la tuberculose pulmonaire sont disponibles.
Les niveaux d’activité physique (AP) maternelle et la qualité du sommeil sont les deux puissants modulateurs du stress et de l’inflammation physiologique, qui peuvent influencer le déroulement de la grossesse et augmenter le risque de prématurité. Les données sur la qualité du sommeil et l’AP, qui reflètent le stress maternel, sont faciles et peu coûteuses à collecter via des appareils portables, mais difficiles à interpréter.
L’un des principaux défis liés à l’intégration des données portables dans les flux de travail cliniques est l’analyse des données continues, longues et de faible dimension qu’ils collectent.
Ainsi, dans cette étude, les chercheurs ont développé un nouveau pipeline analytique combinant des prédictions à partir de données portables et une IA compréhensible pour interpréter les résultats de leur modèle prédictif. Cela a permis de découvrir les relations complexes entre tous les comportements à risque, tels que le stress et l’inflammation, qui augmentent le risque de PTB. Plus important encore, cette analyse était objective et précise.
À propos de l’étude
Dans la présente étude, les chercheurs ont recruté une cohorte de 1 083 femmes (âgées de ≥ 18 ans) de la faculté de médecine de l’Université de Washington et de la communauté locale qui planifiaient une grossesse et étaient prêtes à porter un moniteur d’actigraphie tout au long de leur grossesse.
L’équipe leur a demandé de porter des appareils d’actigraphie au cours de leur premier trimestre pour capturer une semaine de données indiquant l’âge post-gestationnel (AG). Ils ont attribué une étiquette GA aux données d’actigraphie téléchargées comprenant 181 944 heures de données avec 2 305 points de données capturant les habitudes de sommeil et les niveaux d’AP pendant la grossesse.
Les données d’actigraphie étaient un ensemble de données chronologiques bidimensionnelles (2D) d’une longueur de 10 080, définies par périodes d’une minute sur une semaine. L’application d’un pipeline d’apprentissage automatique à cet ensemble de données a aidé les chercheurs à surveiller la grossesse à partir d’appareils portables. En d’autres termes, les algorithmes d’apprentissage profond basés sur l’IA du modèle d’étude ont reconnu de manière transparente les changements dynamiques se produisant pendant le sommeil et l’AP pendant la grossesse dans le vaste ensemble de données de l’étude.
L’équipe a utilisé des tests de Kruskal-Wallis ou du chi carré, avec un niveau de signification de p<0,001, pour les analyses statistiques.
Résultats
L’AG médiane était de 21 semaines. Certains facteurs, tels que l’indice de masse corporelle (IMC) de la mère, les antécédents d’accouchement prématuré (PTB) et les comorbidités, telles que l’hypertension et le diabète, étaient plus fréquents chez les patientes dont la grossesse a entraîné une PTB que chez celles qui ont mené à terme.
Les patientes plus susceptibles d’accoucher avant terme, c’est-à-dire celles du groupe PTB+, avaient également des risques plus élevés de césarienne, de complications néonatales et de décès que le groupe PTB-, avec un enrichissement intergroupe de 45,4 %, p < 0,001.
Series2signal a obtenu des résultats nettement meilleurs que sept autres méthodes d’apprentissage automatique pour prédire l’AG et prédire de manière fiable le risque de PTB. Ces données pourraient aider à identifier des interventions rentables pour réduire cette probabilité.
Lorsque le modèle d’étude sous-estimait l’AG, il y avait 0,52 PTB de moins que prévu, tandis que la surestimation de l’AG augmentait les PTB de 1,44 fois. Notez que la différence entre l’AG prédit et réel (« actigraphie-GA ») était un indicateur robuste du risque de PTB.
L’erreur du modèle était négativement corrélée à la stabilité interquotidienne (coefficient de Spearman, P. = 0,043), indiquant que ce modèle attribuait un AG plus avancé lorsque les rythmes quotidiens des femmes étaient moins précis. Ainsi, ce modèle a attribué une plus grande importance aux périodes de sommeil dans la prédiction d’un GA supérieur à la réalité par rapport à une GA inférieure à la réalité.
Conclusions
À ce jour, la combinaison du LMP et des ultrasons reste plus précise que les appareils portables pour déterminer l’AG. Cependant, un modèle prédictif combinant prédiction et interprétabilité basée sur l’IA pourrait aider les cliniciens à identifier avec précision quand les modifications de l’AP et du comportement de sommeil augmenteraient le risque de PTB.
Grâce à une surveillance passive via des appareils portables, les cliniciens pourraient recommander des changements dans les habitudes d’exercice et de sommeil, ce qui contribuerait à éviter de mauvaises issues de grossesse, y compris la PTB. Ils pourraient suivre les trajectoires des personnes enceintes présentant un risque plus élevé de PTB sur la base de mesures effectuées sur des appareils portables et série2signal prédictions de modèles, une approche qui pourrait être particulièrement bénéfique dans les pays à revenu faible ou intermédiaire (PRFI) où il est impossible d’accéder à des échantillons biologiques pour examiner les causes sous-jacentes de l’accouchement prématuré.
Même autrement, il est urgent d’étudier les facteurs biologiques et environnementaux contribuant à la tuberculose pulmonaire, car son incidence augmente à l’échelle mondiale, probablement en raison du manque de consultations médicales, de surveillance continue et d’interventions opportunes (si nécessaire) pendant la grossesse.
Jusqu’à présent, l’utilisation de dispositifs portables, d’apprentissage profond et d’analyse de modèles informatiques pour prédire le risque de PTB constitue une preuve de concept. Des essais contrôlés randomisés (ECR) sont nécessaires pour démontrer l’efficacité de cette méthode pour contribuer à réduire l’incidence de la tuberculose pulmonaire et la mortalité infantile.
