Прегестационное нейросетевое прогнозирование задержки роста плода или малого к гестационному возрасту плода с последующей интенсивной терапией новорожденного

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Цель: Разработать прототип нейросетевого инструмента для прегестационной стратификации женщин высокого риска по родоразрешению плодом с задержкой роста (ЗРП) или малым к гестационному возрасту (МГВ) и необходимостью интенсивной терапии (ИТ) новорожденного и провести его апробацию.

Материалы и методы: Выполнено проспективное когортное исследование. Основная клиническая база: Перинатальный центр ГБУЗ Республики Крым «Республиканская клиническая больница им. Н.А. Семашко». Период исследования: 2018–2023 гг. В исследование включено 611 женщин с одноплодной беременностью с недостаточным ростом плода: с ЗРП (n=435) и МГВ (n=176). Прогнозирование выполняли с использованием персонального компьютера: программы Statistica 12.0, модуля Automated Neural Networks (Автоматизированные нейронные сети).

Результаты: Использование среды для автоматизированного анализа нейросетевых моделей позволило получить прототипы инструментов стратификации на прегестационном этапе женщин с риском развития недостаточного роста плода по его варианту (ЗРП или МГВ) (модель 1); необходимости ИТ новорожденного (модель 2), включая респираторную поддержку (модель 3). Данное нейросетевое прогнозирование эффективно (точность обучения, тестирования и валидации нейронных сетей до 100%) обеспечивают материнские клинико-анамнестические и социально-демографические параметры (место и постоянство жительства, образование, род работы, семейное положение; возрастные, включая отцовские), росто-весовые, особенности становления репродуктивной функции, репродуктивный опыт, масса плода в предыдущих родах, гестационный опыт, преэклампсия в предыдущую беременность, родоразрешение в анамнезе и его метод).

Заключение. Полученные нейросетевые модели демонстрируют возможность разработки инструментов, предоставляющих прогнозную клиническую и управленческую аналитику, позволяющие клиницисту в ежедневной практике на основе оценки клинико-анамнестических данных женщин обосновать выбор оптимального ведения беременности, скрининга и диагностики нарушений, своевременной маршрутизации беременных в интересах плода в учреждения соответствующего уровня.

Полный текст

Доступ закрыт

Об авторах

Арсен Аблямитович Зиядинов

ГБУЗ Республики Крым «Республиканская клиническая больница имени Н.А. Семашко»; ФГАОУ ВО «Крымский федеральный университет имени В.И. Вернадского»

Автор, ответственный за переписку.
Email: ars-en@yandex.ru

к.м.н., врач акушер-гинеколог, Перинатальный центр; доцент кафедры акушерства, гинекологии и перинатологии №1, Ордена Трудового Красного Знамени Медицинский институт им. С.И. Георгиевского

Россия, Симферополь; Симферополь

Владислава Александровна Новикова

ФГАОУ ВО «Российский университет дружбы народов» Министерства науки и высшего образования Российской Федерации

Email: kafedra-aig@mail.ru

д.м.н., профессор кафедры акушерства и гинекологии с курсом перинатологии Медицинского института

Россия, Москва

Виктор Евсеевич Радзинский

ФГАОУ ВО «Российский университет дружбы народов» Министерства науки и высшего образования Российской Федерации

Email: kafedra-aig@mail.ru

д.м.н., профессор, чл.-корр. РАН, заведующий кафедрой акушерства и гинекологии с курсом перинатологии Медицинского института

Россия, Москва

Список литературы

  1. Министерство здравоохранения Российской Федерации. Клинические рекомендации. Недостаточный рост плода, требующий предоставления медицинской помощи матери (задержка роста плода). М.; 2020. 71 с. [Ministry of Health of the Russian Federation. Clinical guidelines. Insufficient growth of the fetus, requiring the provision of medical care to the mother (fetal growth retardation). Moscow; 2020. 71 p. (in Russian)].
  2. Hokken-Koelega A.C.S., van der Steen M., Boguszewski M.C.S., Cianfarani S., Dahlgren J., Horikawa R. et al. International Consensus Guideline on small for gestational age: etiology and management from infancy to early adulthood. Endocr. Rev. 2023; 44(3): 539-65. https://dx.doi.org/10.1210/endrev/ bnad002.
  3. Lawn J.E., Ohuma E.O., Bradley E., Idueta L.S., Hazel E., Okwaraji Y.B. et al.; Lancet Small Vulnerable Newborn Steering Committee; WHO/UNICEF Preterm Birth Estimates Group; National Vulnerable Newborn Measurement Group; Subnational Vulnerable Newborn Measurement Group. Small babies, big risks: global estimates of prevalence and mortality for vulnerable newborns to accelerate change and improve counting. Lancet. 2023; 401(10389): 1707-19. https://dx.doi.org/10.1016/S0140-6736(23)00522-6.
  4. Nguyen Van S., Lobo Marques J.A., Biala T.A., Li Y. Identification of latent risk clinical attributes for children born under IUGR condition using machine learning techniques. Comput. Methods Programs Biomed. 2021; 200: 105842. https://dx.doi.org/10.1016/j.cmpb.2020.105842.
  5. Mutamba A.K., He X., Wang T. Therapeutic advances in overcoming intrauterine growth restriction induced metabolic syndrome. Front. Pediatr. 2023; 10: 1040742. https://dx.doi.org/10.3389/fped.2022.1040742.
  6. Vasilache I.-A., Scripcariu I.-S., Doroftei B., Bernad R.L., Cărăuleanu A., Socolov D. et al. Prediction of intrauterine growth restriction and preeclampsia using machine learning-based algorithms: a prospective study. Diagnostics. 2024; 14(4): 453. https://dx.doi.org/10.3390/diagnostics14040453.
  7. Rescinito R., Ratti M., Payedimarri A.B., Panella M. Prediction models for intrauterine growth restriction using artificial intelligence and machine learning: a systematic review and meta-analysis. Healthcare (Basel). 2023; 11(11): 1617. https://dx.doi.org/10.3390/healthcare11111617.
  8. Papastefanou I., Wright D., Nicolaides K.H. Competing-risks model for prediction of small-for-gestational-age neonate from maternal characteristics and medical history. Ultrasound Obstet. Gynecol. 2020; 56(2): 196-205. https://dx.doi.org/10.1002/uog.22129.
  9. Firatligil F.B., Sucu S.T., Tuncdemir S., Saglam E., Dereli M.L., Ozkan S. et al. Evaluation of systemic immune-inflammation index for predicting late-onset fetal growth restriction. Arch. Gynecol. Obstet. 2024; 310: 433-9. https:// dx.doi.org/10.1007/s00404-024-07453-x.
  10. Mohammad N., Sohaila A., Rabbani U., Ahmed S., Ahmed S., Ali S.R. Maternal predictors of intrauterine growth retardation. J. Coll. Physicians Surg. Pak. 2018; 28(9): 681-5. https://dx.doi.org/10.29271/jcpsp.2018.09.681.
  11. Yang L., Feng L., Huang L., Li X., Qiu W., Yang K. et al. Maternal factors for intrauterine growth retardation: systematic review and meta-analysis of observational studies. Reprod. Sci. 2023; 30(6): 1737-45. https:// dx.doi.org/10.1007/s43032-021-00756-3.
  12. Sufriyana H., Amani F.Z., Al Hajiri A.Z.Z., Wu Y.W., Su E.C. Prognosticating fetal growth restriction and small for gestational age by medical history. Stud. Health Technol. Inform. 2024; 310: 740-4. https://dx.doi.org/10.3233/SHTI231063.
  13. Wang Y., Shi Y., Zhang C., Su K., Hu Y., Chen L. et al. Fetal weight estimation based on deep neural network: a retrospective observational study. BMC Pregnancy Childbirth. 2023; 23(1): 560. https://dx.doi.org/10.1186/ s12884-023-05819-8.
  14. Taeidi E., Ranjbar A., Montazeri F., Mehrnoush V., Darsareh F. Machine learning-based approach to predict intrauterine growth restriction. Cureus. 2023; 15(7): e41448. https://dx.doi.org/10.7759/cureus.41448.
  15. Magboo V.P.C., Magboo M.S.A. Prediction of late intrauterine growth restriction using machine learning models. Procedia Computer Science. 2022; 207(2): 1427-36. https://dx.doi.org/10.1016/j.procs.2022.09.199.
  16. Dapkekar P., Bhalerao A., Kawathalkar A., Vijay N. Risk factors associated with intrauterine growth restriction: a case-control study. Cureus. 2023; 15(6): e40178. https://dx.doi.org/10.7759/cureus.40178.
  17. Jhee J.H., Lee S., Park Y., Lee S.E., Kim Y.A., Kang S.W. et al. Prediction model development of late-onset preeclampsia using machine learning-based methods. PLoS One. 2019; 14(8): e0221202. https://dx.doi.org/10.1371/ journal.pone.0221202.
  18. Benner M., Feyaerts D., Lopez-Rincon A., van der Heijden O.W.H., van der Hoorn M.L., Joosten I. et al. A combination of immune cell types identified through ensemble machine learning strategy detects altered profile in recurrent pregnancy loss: a pilot study. F S Sci. 2022; 3(2): 166-73. https:// dx.doi.org/10.1016/j.xfss.2022.02.002.
  19. Hoffman M.K., Ma N., Roberts A. A machine learning algorithm for predicting maternal readmission for hypertensive disorders of pregnancy. Am. J. Obstet. Gynecol. MFM. 2021; 3(1): 100250. https://dx.doi.org/10.1016/ j.ajogmf.2020.100250.
  20. Жуков О.Б. Черных В.Б. Искусственный интеллект в репродуктивной медицине. Андрология и генитальная хирургия. 2022; 23(4): 00-00. [Zhukov O.B., Chernykh V.B. Artificial intelligence in reproductive medicine. Andrology and Genital Surgery 2022; 23(4): 00-00. (in Russian)]. https:// dx.doi.org/10.17650/2070-9781-2022-23-4-00-00.
  21. Ившин А.А., Багаудин Т.З., Гусев А.В. Искусственный интеллект на страже репродуктивного здоровья. Акушерство и гинекология. 2021; 5: 17-24. [Ivshin A.A., Bagaudin T.Z., Gusev A.V. Artificial intelligence on guard of reproductive health. Obstetrics and Gynecology. 2021; (5): 17-24. (in Russian)]. https://dx.doi.org/10.18565/aig.2021.5.17-24.
  22. Буянова С.Н., Щукина Н.А., Темляков А.Ю., Глебов Т.А. Искусственный интеллект в прогнозировании наступления беременности. Российский вестник акушера-гинеколога. 2023; 23(2): 83-7. [Buyanova S.N., Schukina N.A., Temlyakov A.Yu., Glebov T.A. Artificial intelligence in pregnancy prediction. Russian Bulletin of Obstetrician-Gynecologist. 2023; 23(2): 83-7. (in Russian)]. https://dx.doi.org/10.17116/ rosakush20232302183.
  23. Драпкина Ю.С., Макарова Н.П., Васильев Р.А., Амелин В.В., Калинина Е.А. Сравнение прогностических моделей, построенных с помощью разных методов машинного обучения, на примере прогнозирования результатов лечения бесплодия методом вспомогательных репродуктивных технологий. Акушерство и гинекология. 2024; 2: 97-105. [Drapkina Yu.S., Makarova N.P., Vasiliev R.A., Amelin V.V., Kalinina E.A. Comparison of predictive models built with different machine learning techniques using the example of predicting the outcome of assisted reproductive technologies. Obstetrics and Gynecology. 2024; (2): 97-105. (in Russian)]. https:// dx.doi.org/10.18565/aig.2023.263.
  24. Bruno V., D'Orazio M., Ticconi C., Abundo P., Riccio S., Martinelli E. et al. Machine Learning (ML) based-method applied in recurrent pregnancy loss (RPL) patients diagnostic work-up: a potential innovation in common clinical practice. Sci. Rep. 2020; 10(1): 7970. https://dx.doi.org/10.1038/ s41598-020-64512-4.
  25. Khalifa M. Health analytics types, functions and levels: a review of literature. Stud. Health Technol. Inform. 2018; 251: 137-40.
  26. Kramer M.S. Socioeconomic determinants of intrauterine growth retardation. Eur. J. Clin. Nutr. 1998; 52 Suppl 1: S29-32; discussion S32-3.
  27. Tesfa D., Tadege M., Digssie A., Abebaw S. Intrauterine growth restriction and its associated factors in South Gondar zone hospitals, Northwest Ethiopia, 2019. Arch. Public Health. 2020; 78: 89. https://dx.doi.org/10.1186/ s13690-020-00475-2.
  28. Suhag A., Berghella V. Intrauterine Growth Restriction (IUGR): etiology and diagnosis. Curr. Obstet. Gynecol. Rep. 2013; 2: 102-11. https:// dx.doi.org/10.1007/s13669-013-0041-z.
  29. Успенский Ю. П., Иванов С. В., Фоминых Ю. А., Наркевич А. Н., Сегаль А.М., Гржибовский А.М. Прогнозирование развития жизнеугрожающих осложнений воспалительных заболеваний кишечника с использованием нейронных сетей: инструменты для практического здравоохранения. Экспериментальная и клиническая гастроэнтерология. 2023; 217(9): 20-33. [Uspenskiy Yu.P., Ivanov S.V., Fominykh Yu.A., Narkevich A.N., Grjibovski A.M., Segal’ A.M. Prediction of life-threatening complications of infl ammatory bowel disease using neural networks: a practical tool for health care professionals. Experimental and Clinical Gastroenterology. 2023; 217(9): 20-33. (in Russian)]. https://dx.doi.org/10.31146/1682-8658-ecg-217-9-20-33.
  30. Гусев А.В., Новицкий Р.Э. Технологии прогнозной аналитики в борьбе с пандемией COVID-19. Врач и информационные технологии. 2020; 4: 24-33. [Gusev A.V., Novitsky R.E. Predictive analytics technologies in the management of the COVID-19 pandemic. Medical Doctor and IT. 2020; (4): 24-33. (in Russian)]. https://dx.doi.org/10.37690/1811-0193-2020-4-24-33.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Потребность новорожденного в ИТ (а), включая РП (б)

Скачать (684KB)
Метаданные
3. Рис. 2. Структура причин НРП в когорте (а), при ЗРП и МГВ (б) и особенностях терапии состоянии новорожденного

Скачать (965KB)
Метаданные
4. Рис. 3. Пример стратификации женщин посредством ввода входных данных на искомые классы: осложнение беременности МГВ или ЗРП (а); потребность в ИТ новорожденного без учета (б) и с учетом варианта (группа) и причины (в) НРП; характер терапии новорожденного (г)

Скачать (972KB)
Метаданные
5. Рис. 4. Уменьшение пропорций обобщенной чувствительности (важности) входного признака нейронной сети при стратификации женщин на различные классы: вариант НРП (а), необходимость последующей ИТ новорожденного (б), включая РП (в). Воронкообразная диаграмма

Скачать (1MB)
Метаданные

© ООО «Бионика Медиа», 2024