Pregledajući elektronske zdravstvene kartone majki i beba koristeći algoritam mašinskog učenja, naučnici mogu predvideti kako će novorođenčad pod rizikom proći u prva dva meseca života. Nova metoda omogućava lekarima da klasifikuju, na ili pre rođenja, koja beba će verovatno razviti komplikacije nedonoščadi.
Studija koja opisuje metod, razvijena na Medicinskom fakultetu u Stanfordu, objavljena je na internetu 15. februara u časopisu Science Translational Medicine.
„Ovo je novi način razmišljanja o prevremenom porođaju, stavljajući fokus na individualne zdravstvene faktore novorođenčadi, a ne gledajući samo na to koliko su rano rođena“, rekla je viši autor studije dr Nima Aghaeepour, vanredni profesor anesteziologije, perioperativne medicine i bolova i pedijatrije. Glavni autori studije su postdoktorski naučnik Davide De Francesco, Ph.D., i Jonathan Reiss, MD, instruktor pedijatrije.
Tradicionalno definisano kao rođenje koje se dogodi najmanje tri nedelje ranije, prevremeno rođenje je povezano sa komplikacijama na bebinim plućima, mozgu, vidu, sluhu i digestivnom sistemu. Iako ranija porođaja generalno nose veće rizike, vreme rođenja predviđa samo približno kako će proći određeno dete. Neka odojčad koja su rođena prilično rano ne razvijaju nikakve komplikacije, dok druga rođena u istoj fazi trudnoće jako se razbole ili umiru.
„Prevremeni porođaj je najveći jedini uzrok smrti dece mlađe od pet godina širom sveta, a mi nismo imali dobra rešenja“, rekao je Aghaeepour. „Fokusirajući naše istraživanje na predviđanje zdravlja ovih beba, možemo optimizirati njihovu negu.“
Za mnoge komplikacije nedonoščadi su potrebni dani ili nedelje nakon rođenja, što u međuvremenu nanosi znatnu štetu zdravlju novorođenčadi. Poznavanje koje su bebe u riziku moglo bi omogućiti preventivne mere.
„Uglavnom gledamo na bebu kako bismo donosili odluke o lečenju u neonatologiji, ali otkrivamo da možemo da dobijemo vredne informacije iz zdravstvenog kartona majke, koji zaista pokazuje kako su individualne putanje beba oblikovane izlaganjem njihovom specifičnom okruženju majke, “ rekao je koautor studije Dejvid Stivenson, MD, neonatolog u Dečjoj bolnici Lucile Pakard u Stanfordu, profesor pedijatrije i direktor Centra za istraživanje nedonoščadi March of Dimes na Medicinskom fakultetu u Stanfordu.
„Ovo je pomak ka preciznoj medicini za bebe“, dodao je on.
Istraživači su povezali elektronske medicinske kartone za majke u Stanford Health Care i za njihove bebe u Stanford Medicine Children’s Health, pokrivajući 32.354 živorođene dece koja su se dogodila između 2014. i 2020. Medicinski kartoni majki uključuju informacije o trudnoći i onima pacijentice u Stanford Medicine pre trudnoće, zdravstveni podaci pre nego što su zatrudneli. Evidencija odojčadi je počela sa informacijama zabeleženim pri rođenju, uključujući težinu; testovi krvi; i Apgar skor, koji se procenjuje u porođajnoj sali jedan i pet minuta nakon rođenja. Apgar skor uključuje faktore kao što su puls deteta, disanje i tonus mišića.
Koristeći algoritam za mašinsko učenje nazvan neuronska mreža dugotrajne memorije, istraživači su izgradili matematički model iz medicinske dokumentacije i testirali da li može da predvidi 24 moguća zdravstvena ishoda za bebe do dva meseca nakon rođenja.
„Postoji računski izazov u korišćenju elektronskih zdravstvenih zapisa jer su oni longitudinalni i sadrže veliku količinu podataka od svakog pacijenta“, rekao je Aghaeepour. „Neuronska mreža dugotrajnog pamćenja funkcioniše slično kao osoba koja čita knjigu. Kada čitamo, ne pamtimo svaku reč, ali pamtimo ključne koncepte, čitamo sledeći deo, dodajemo još ključnih koncepata i nosimo Algoritam ne pamti ceo elektronski zdravstveni karton svakog pacijenta, ali može da zapamti ključne koncepte i da ih prenese do tačke u kojoj mi pravimo predviđanje.“
U vreme rođenja, model mašinskog učenja je dao snažna predviđanja za koja će novorođenčad razviti različita stanja uključujući bronhopulmonalnu displaziju, vrstu hronične bolesti pluća; retinopatija nedonoščadi, problem sa retinom koji može izazvati gubitak vida ili slepilo; anemija nedonoščadi; i nekrotizirajući enterokolitis, teška gastrointestinalna komplikacija koja se često ne dijagnostikuje sve do nedeljama nakon rođenja, do kada su intervencije složene i povezane sa lošim ishodima.
Model je takođe dao snažna predviđanja nedelju dana pre rođenja za višestruke ishode, uključujući smrtnost i retinopatiju nedonoščadi, što može izazvati gubitak vida ili slepilo, kao i umereno jaka predviđanja za 11 drugih stanja.
„Iznenadila me je kolika prediktivna moć koju imamo pre nego što se beba uopšte rodi, i to odmah po rođenju“, rekao je Aghaeepour. „Nisam očekivao da ću to videti. Mislio sam da će tačnost doći nekoliko dana nakon rođenja, kada prikupimo podatke o bebi.“
Model nije pouzdano predvideo neke komplikacije, kao što je kod kojih beba će se razviti kandidijaza ili gljivične infekcije; policitemija, visoka koncentracija crvenih krvnih zrnaca u krvi; ili sindrom aspiracije mekonijuma, u kojem dete tokom porođaja udiše mekonijum, lepljivu supstancu izbačenu iz fetalnog creva.
Istraživači su potvrdili da se snaga predviđanja nije menjala tokom godina (upoređujući rođene od 2014. do 2018. sa onima od 2019. do 2020.); oni su takođe potvrdili neke od nalaza koristeći nezavisnu grupu od 12.258 parova majka-beba iz UC San Francisco.
Predviđanja modela pri rođenju dala su tačnije informacije od trenutno korišćenih alata za procenu rizika kao što su Apgar rezultati i skor rizika Nacionalnog instituta za zdravlje dece i ljudski razvoj. Ovi rezultati uzimaju u obzir samo stanje bebe pri rođenju i ne uključuju nikakve informacije iz istorije bolesti majke, primetili su istraživači. Međutim, potrebne su dodatne studije u različitim populacijama pre nego što ovaj alat za mašinsko učenje bude spreman da zameni postojeće kalkulatore rizika pored kreveta, rekli su istraživači.
Model je otkrio neočekivane veze između određenih zdravstvenih ili socijalnih stanja kod majki i zdravlja njihove bebe, prema istraživačima.
Na primer, majke sa anemijom – uobičajenom komplikacijom u trudnoći – češće imaju novorođenčad sa anemijom. Ova novorođenčad je takođe imala veću verovatnoću da će razviti komplikaciju creva koji nekrotizira enterokolitis, pokazalo je istraživanje.
„Moramo da istražimo koje veze objašnjavaju ove odnose na biološkom nivou, jer one mogu ponuditi naznake o tome kako se određeni uslovi javljaju“, rekao je Stivenson. „To će nam omogućiti da bolje intervenišemo kako bismo pomogli toj deci.“
Novi algoritam je takođe bio u stanju da poveže specifične vrste socio-ekonomskog nedostatka kod majki sa određenim komplikacijama prevremeno rođenih kod njihovih beba.
„Da je majka beskućnica, otkrili smo da bi se zdravstveni uticaj na bebu razlikovao od uticaja zatvaranja, dok bi se prema tradicionalnim paradigmama moglo smatrati da oba ova socioekonomska faktora imaju slične efekte na rizik od prevremenog rođenja“, rekao je Aghaeepour.
Predviđanja iz modela mogla bi pomoći neonatolozima da bolje identifikuju koji pacijenti će imati koristi od postojećih protokola za sprečavanje komplikacija pri porođaju, rekao je Stivenson. Na primer, novorođenčad koja doživljavaju nedostatak kiseonika tokom porođaja sada mogu da dobiju protokole za hlađenje u ranom životu, koji snižavaju njihovu telesnu temperaturu na nekoliko dana kako bi sprečili povredu mozga. Prediktivni rezultati mogu pomoći da se identifikuju dodatna beba kojima bi se moglo pomoći hlađenjem, rekao je on.
Rad treba da se ponovi u većoj, raznovrsnijoj populaciji pacijenata i spoji sa drugim istraživanjima Stanfordske medicine koja karakterišu trudnoće prema hiljadama biomarkera koji se menjaju tokom gestacije, rekli su naučnici.
