Une nouvelle étude révèle que le suivi de la variabilité de la fréquence cardiaque via des dispositifs d'accueil simples peut aider à identifier le diabète gestationnel des semaines avant les tests standard, permettant des interventions antérieures pour des grossesses plus saines.
Étude: Variabilité de la fréquence cardiaque maternelle du jour au lendemain pour la prédiction précoce du diabète sucré gestationnel: une étude de cohorte rétrospective. Crédit d'image: Rabizo anatolii / shutterstock.com
Le diabète sucré gestationnel (GDM) fait référence à l'intolérance au glucose qui survient pendant la grossesse. Il doit être soigneusement géré pour éviter les résultats maternels et fœtaux défavorables. Une étude rétrospective récente dans Santé des femmes NPJ Décrit un modèle d'intelligence artificielle basé sur la variabilité de la fréquence cardiaque (VRC) qui prédit le risque de GDM.
Sommaire
Introduction
À l'échelle mondiale, le GDM est parmi les complications les plus typiques de la grossesse, affectant environ 15% des grossesses. Il augmente le risque de résultats négatifs pour la mère et le bébé et fait augmenter les coûts des soins de santé de 34% en soins maternels et 49% dans les soins néonatals.
Les femmes enceintes sont principalement dépistées pour le GDM à 24 à 28 semaines de grossesse par un test de tolérance au glucose orale (OGTT). Cependant, de nouvelles preuves suggèrent que les anomalies de croissance fœtale apparaissent plus tôt que cela. La circonférence abdominale fœtale est déjà augmentée chez les femmes enceintes plus âgées ou celles ayant un poids corporel excessif.
Les changements de style de vie précoces, y compris les modifications de l'alimentation et plus d'activité physique, pourraient empêcher le GDM. Les interventions initiées avant 14 semaines de grossesse améliorent les résultats maternels et fœtaux.
Le diagnostic précoce pourrait cibler les femmes ayant besoin de telles interventions et améliorer la précision de la surveillance de la croissance fœtale par échographie, ce qui réduit le risque à long terme.
La prédiction des risques GDM est généralement basée sur les facteurs maternels, notamment les antécédents socioéconomiques, familiaux et obstétricaux de diabète ou de GDM. Ces facteurs sont faciles à obtenir mais relativement inexacts dans leurs performances prédictives. À l'inverse, la glycémie à jeun et l'hémoglobine glyquée (HbA1c) améliorent la précision mais s'appuient sur un échantillonnage invasif.
De nouvelles méthodes non invasives sont nécessaires pour améliorer la précision prédictive. La présente étude a cherché à modéliser les facteurs de risque de base utilisés dans la pratique clinique actuelle à l'aide d'algorithmes d'apprentissage automatique et à évaluer l'effet de l'ajout de caractéristiques de VRC sur les performances prédictives du modèle.
Qu'est-ce que HRV?
Le VRC fait référence aux différences naturelles dans les intervalles entre les battements cardiaques successifs, les intervalles inter-batts. Les appareils portables ou commodément attachés mesurent le VRC, garantissant son accessibilité pendant la grossesse, bien que les coûts et l'alphabétisation des utilisateurs puissent limiter une adoption généralisée.
Le volume sanguin de la mère augmente de 30 à 40% pendant la grossesse, et la fréquence cardiaque moyenne augmente de 10 à 15% par rapport à l'état non enceinte. Cela contribue aux changements de VRC.
Le VRC est également en corrélation avec la fonction nerveuse autonome, régulant des processus corporels involontaires comme la fréquence cardiaque et la digestion. Les perturbations du système, en particulier une activité nerveuse sympathique accrue, peuvent entraîner des changements métaboliques associés au syndrome métabolique. Cet groupe de conditions, comme l'hypertension artérielle, la glycémie élevée, l'excès de graisse abdominale et le cholestérol anormal, se produit souvent ensemble et augmentent tous le risque de diabète de type 2 et de maladies cardiaques. Pendant la grossesse, la suractivité sympathique peut inciter les cellules bêta dans le pancréas pour changer la façon dont ils libèrent l'insuline et augmenter la résistance du corps, un moteur clé du GDM.
Il n'y a pas de modèle prédictif basé sur le VRC pour le GDM en début de grossesse à l'heure actuelle. La présente étude présente un modèle d'apprentissage automatique pour explorer la valeur prédictive du VRC pour GDM, isolément ou combinée avec les facteurs de référence pour l'évaluation des risques GDM fournis par les National Institutes of Health (NIH). La directive du NIH utilise huit questions démographiques et d'antécédents sanitaires, augmentant les notes de risque de zéro à six ans. Seuls sept des huit facteurs NIH étaient disponibles dans cette étude.
À propos de l'étude
L'étude a tiré des données de 2 748 femmes américaines nullipares participant à la base de données NUMOM2B. Tous avaient des tests de sommeil standardisés effectués à la maison entre 6 et 15 semaines de grossesse, et les tests GDM ont été effectués à 24 à 28 semaines.
Les chercheurs ont utilisé les directives du NIH et trois modèles d'apprentissage automatique pour analyser la variabilité de la fréquence cardiaque (VRC) dans des détails extrêmement granulaires. Les directives du NIH ont d'abord été analysées pour évaluer leurs performances, puis les autres modèles ont été mis en œuvre.
Résultats de l'étude
Le diagnostic du GDM était plus fréquent chez les mères plus âgées et plus lourdes et était associée à une pression artérielle plus élevée en début de grossesse. Ils étaient plus susceptibles d'avoir des antécédents familiaux de diabète et d'avoir des ethnies asiatiques ou autres (pas blancs, noirs, hispaniques, indiens américains, hawaïens indigènes ou multiraciaux).
La directive du NIH a mal fonctionné, la zone sous la courbe (AUC) étant de 63% pour la prédiction GDM. Un score de six reflétait la prévalence de 10% de GDM. En revanche, avec un niveau à risque zéro, la prévalence était <0,5%. Cette approche était associée à de nombreux faux positifs, car les deux tiers des femmes de cet échantillon étaient à haut risque en raison d'un seul facteur de risque, mais avec une prévalence GDM similaire.
Le premier modèle d'apprentissage automatique, en utilisant uniquement des facteurs de risque de base, a mieux performé avec une ASC de 69%, 6% plus élevée que les directives du NIH, même si les deux ont utilisé les mêmes facteurs de risque. Cela montre l'avantage de la pondération automatique des fonctionnalités, où chaque facteur est pondéré différemment en fonction de son importance, à en juger par les données disponibles. Cependant, ces modèles peuvent ne pas être généralisables s'ils sont formés sur de petits échantillons.
Un modèle qui n'utilisait que les caractéristiques de VRC avait un ASC de 65%. En revanche, un modèle combiné utilisant des facteurs de risque de base dérivés du NIH et le VRC ont mieux fonctionné, avec un ASC de 0,73.
Les trois modèles d'apprentissage automatique ont surpassé le protocole d'évaluation des risques NIH. Le modèle combiné a amélioré la précision de 10% à 15% par rapport au modèle de référence chez les mères plus jeunes ayant un poids corporel inférieur. Les gains de précision étaient plus faibles pour les mères obèses ou plus âgées, parmi lesquelles le GDM est plus répandu.
Lors des tests répétés pour garantir la cohérence des résultats, le modèle combiné a effectué environ 100% mieux que le modèle HRV en termes de zone de précision de précision sous la courbe (AUPRC) et 27% mieux que le modèle de base. L'utilisation de caractéristiques de VRC avec des caractéristiques cliniques telles que l'âge ou le poids corporel pourrait aider à identifier le risque de GDM dans différents sous-groupes, améliorant la précision jusqu'à 15%.
La plupart des caractéristiques de VRC diffèrent dans les grossesses GDM vs non GDM, la fréquence cardiaque moyenne du jour au lendemain étant le prédicteur le plus fort d'un risque GDM plus élevé. Une fréquence cardiaque moyenne plus élevée suggère une suractivité sympathique avec le retrait vagal, un modèle caractéristique du déséquilibre autonome et du métabolisme perturbé. Les anomalies autonomes semblent donc être des prédicteurs très précoces du GDM. Dans la grossesse ultérieure, ces différences sont assombri par les changements causés par la croissance fœtale et les altérations hormonales maternelles.
Les mesures de VRC peuvent également varier avec l'âge gestationnel, ce qui signifie que le moment de la mesure est essentiel lors de l'évaluation de leur valeur prédictive.
L'avantage de cette méthode est que l'évaluation HRV ne nécessite qu'un dispositif de surveillance discret, portable ou intégré dans une montre, un bracelet, une caméra, un radar ou un matelas. Cependant, ces dernières options restent largement théoriques dans ce contexte. Cette surveillance discrète et continue est possible pendant plusieurs nuits ou semaines, améliorant potentiellement le pouvoir prédictif.
Surtout, les tests OGTT utilisés pour diagnostiquer GDM variaient selon les participants, y compris 50 g de non-jet, 75 g de deux heures et 100 g de tests de jeûne de trois heures, ce qui peut affecter la cohérence de la norme de diagnostic. Les courbes d'étalonnage de l'étude ont également montré que le modèle combiné prédisait de manière fiable les probabilités GDM jusqu'à 15%, confirmant un bon étalonnage du modèle.
S'ils sont validés, ces méthodes non invasives de dépistage du GDM pourraient provoquer un dépistage précoce de la grossesse, comme cela est recommandé par plusieurs organisations de santé. Cependant, les problèmes d'accessibilité, de l'abordabilité et de validation dans diverses populations restent importants.
En plus du modèle de régression logistique, la recherche a testé une approche d'ensemble combinant la régression logistique, les machines à vecteurs de support et les forêts aléatoires. Cependant, cet ensemble n'a pas surpassé de manière significative le modèle plus simple et a ajouté une complexité de calcul.
Conclusions
« Les résultats suggèrent que les caractéristiques de VRC maternelles du jour au lendemain peuvent être utilisées comme prédicteurs précoces de GDM. » Il s'agit du premier modèle à utiliser le HRV dans l'évaluation des risques GDM.
Téléchargez votre copie PDF maintenant!
