L'IA pourrait-elle prédire les naissances prématurées avant la naissance des symptômes? Une nouvelle étude révèle que les modèles d'apprentissage automatique, en particulier les SVM, peuvent évaluer les risques avec une précision impressionnante – offrant l'espoir d'interventions antérieures et de meilleurs résultats néonatals.
Étude: prédire les naissances prématurées à l'aide de méthodes d'apprentissage automatique. Crédit d'image: Stockkk / Shutterstock
Dans une étude récente de la revue Rapports scientifiquesLes chercheurs ont évalué la précision, la précision et le score F1 de plusieurs modèles d'apprentissage automatique (ML) pour prédire la probabilité de naissances prématurées chez 50 femmes enceintes. Malgré plusieurs tentatives de démêlage des causes sous-jacentes de la naissance prématurée, la nature multiforme de la condition a rendu impossible l'identification d'un signal biologique pour les naissances prématurées.
Compte tenu de son statut de préoccupation de santé importante et de sa forte corrélation avec les résultats néonataux défavorables (mortalité et morbidité), cette étude vise à utiliser des modèles ML pour prédire le risque prématuré, permettant ainsi des interventions en temps opportun chez les femmes à haut risque. Les résultats de l'étude ont identifié des machines vectorielles de support linéaire (SVM), en particulier celles avec des hyperparamètres optimisés, comme la plus performante (précision = 82%) des plusieurs (n = 5) testés.
Sommaire
Arrière-plan
Les naissances prématurées, également appelées «naissances prématurées», sont lorsque les bébés naissent avant 37 semaines de grossesse. Ils peuvent être des conditions médicalement sévères augmentant considérablement les complications néonatales, y compris les difficultés respiratoires, les difficultés d'alimentation, la paralysie cérébrale et même la mortalité néonatale. Malheureusement, les naissances prématurées sont de plus en plus courantes, l'Organisation mondiale de la santé (OMS) estimant que 1 bébés sur 10 est né prématuré (OMS 2020).
Alors que des décennies de recherche ont élucidé certaines des causes sous-jacentes de la naissance prématurée, notamment le tabagisme maternel, la consommation d'alcool, le stress, l'exposition à la pollution et, plus récemment, la génétique, l'interaction complexe entre ces facteurs a entraîné un manque d'un seul, définitif, définitif Déterminant du risque de la condition. Par conséquent, les cliniciens comptent aujourd'hui sur des modèles d'évaluation des risques pour déterminer la probabilité d'accouchement prématuré et d'administrer des interventions et des soins opportuns.
Les modèles d'apprentissage automatique (ML) assistent à une utilisation sans précédent dans les systèmes d'aide à la décision clinique, y compris la détermination des risques. Leur capacité à détecter les modèles invisibles aux statistiques traditionnelles et à tirer parti d'un large éventail de types de données d'entrée (échographie transvaginale, dossiers de santé électroniques (DSE) et signaux électrohystérogrammes) les rend de plus en plus précieuses en médecine préventive. Bien que les modèles ML aient été étudiés auparavant pour une prédiction des naissances prématurées, la présente étude se concentre sur l'identification des modèles les plus efficaces et l'amélioration de leur précision prédictive grâce à un réglage de l'hyperparamètre.
À propos de l'étude
La présente étude vise à identifier les algorithmes ML les plus performants pour déterminer le risque prématuré en tirant parti d'une cohorte de 50 femmes (28 cas et 22 témoins) pour évaluer leurs mesures de précision. Les données des participants ont été obtenues auprès de femmes enceintes admises au Dr Antoni Biziel University Hospital à Bydgoszcz, en Pologne. Les données de l'étude comprenaient des examens médicaux détaillés (évaluations de la santé, des évaluations gynécologiques et des tests sanguins) et des questionnaires médicaux (antécédents médicaux des participants, médicaments actuels et autres détails cliniquement pertinents).
Cette étude a évalué plusieurs algorithmes ML de pointe, notamment XGBOost, la régression logistique, le catboost, les arbres de décision et les machines vectorielles de support (SVM). Pour maximiser les scores F1 des algorithmes (et ainsi les performances), les modèles ont été soumis à une optimisation de l'hyperparamètre à l'aide du cadre Optuna. L'étude a ensuite évalué les performances spécifiques au modèle sur quatre mesures principales: précision, rappel, précision et score F1.
Pour établir une signification statistique et différencier les performances entre les modèles, des tests du chi carré et des tests t non appariés de Welch ont été utilisés. Enfin, les modèles les plus performants ont été soumis à une analyse des performances pour aider à identifier les traits des participants qui ont le plus contribué à la précision du modèle, faisant ainsi allusion à des symptômes cliniquement pertinents qui pourraient être utilisés pour prédire les naissances prématurées dans de futures investigations.
Résultats de l'étude
L'étude a identifié le SVM linéaire (avec des hyperparamètres optimisés) comme le modèle le plus performant, atteignant une précision de 82%, un rappel de 86%, une précision de 83% et un score F1 global de 84%. Le SVM linéaire a été suivi de près par le modèle de régression logistique (également avec des hyperparamètres optimisés), ce qui a atteint des performances comparables avec une précision de 80%, un rappel de 82%, une précision de 82% et un score F1 global de 82%. Notamment, ces deux modèles sont des algorithmes objectivement relativement simples.
Des algorithmes plus complexes, tels que XGBoost et CatBoost, ont performé plus mal que prévu, potentiellement en raison de la petite taille de l'ensemble de données (n = 50), ce qui a limité leur capacité à généraliser efficacement. L'étude suggère que ces modèles peuvent avoir été trop complexes pour l'ensemble de données disponible, conduisant à des inefficacités dans l'apprentissage des caractéristiques données. Les modèles élémentaires (par exemple, les forêts aléatoires et les arbres de décision) ont également sous-performé, non seulement en raison des limitations de la taille des ensembles de données, mais aussi en raison de leur difficulté à gérer le grand nombre de fonctionnalités fournies dans l'étude.
L'analyse des performances des caractéristiques a révélé qu'en plus de la protéine C-réactive (CRP) des paramètres de morphologie sanguine et de la parité (le nombre de cirgins accoupés précédents), l'hématocrite (HCT) et le nombre de plaquettes (PLT) étaient également des prédicteurs importants de la naissance prématurée. Notamment, le niveau d'éducation a également été identifié comme un facteur statistiquement significatif, ce qui suggère que les facteurs socioéconomiques jouent un rôle dans le risque de naissance prématuré. Ces résultats indiquent que les facteurs liés à l'inflammation et à la composition sanguine jouent un rôle important dans l'évaluation des risques prématurés.
« Collectivement, ces résultats suggèrent que la naissance prématurée est tirée par une interaction multifactorielle de facteurs physiologiques, socio-économiques et comportementaux.
Conclusions
La présente étude a identifié les SVM linéaires comme le modèle ML avec la plus grande précision, la précision, le rappel et le score F1 global parmi les cinq modèles évalués. Parallèlement à la régression logistique (le deuxième meilleur interprète), ce modèle souligne que la complexité algorithmique optimale joue un rôle essentiel dans la prédiction des naissances prématurées, car les modèles trop simples ou trop complexes avaient tendance à sous-performer.
Malgré la taille limitée de l'échantillon de l'étude (n = 50 participants), ce qui a considérablement influencé les performances du modèle, les résultats sont prometteurs. Cependant, les chercheurs avertissent que des études à plus grande échelle sont nécessaires pour valider la généralisation des modèles. Les recherches futures devraient se concentrer sur la collecte d'ensembles de données plus importants et plus diversifiés et y compris le dépistage de la grossesse à un stade préalable pour améliorer la précision prédictive.
« Les résultats de cette étude ont le potentiel d'informer le développement d'interventions visant à réduire l'incidence de la naissance prématurée… Des études prospectives devraient être conçues pour explorer l'applicabilité du monde réel du modèle identifié en milieu clinique, où son pouvoir prédictif pourrait aider à aider dans les premières stratégies d'identification et d'intervention des risques pour la naissance prématurée. «
