مطالعه نشان می دهد که داده های پزشکی مادران و نوزادان عوارض نارس بودن را پیش بینی می کند

با غربال کردن سوابق الکترونیکی سلامت مادران و نوزادان با استفاده از الگوریتم یادگیری ماشینی، دانشمندان می‌توانند پیش‌بینی کنند که نوزادان در معرض خطر در دو ماه اول زندگی خود چگونه خواهند بود. روش جدید به پزشکان اجازه می‌دهد تا در زمان تولد یا قبل از تولد، دسته‌بندی کنند که کدام نوزادان احتمالاً دچار عوارض نارسی می‌شوند.

مطالعه ای که این روش را توصیف می کند، توسعه یافته در دانشکده پزشکی استنفورد، به صورت آنلاین در 15 فوریه منتشر شد. پزشکی ترجمه علوم.

نیما آقایی پور، نویسنده ارشد این مطالعه، دانشیار دانشگاه علوم پزشکی تهران، می گوید: «این شیوه جدیدی از تفکر در مورد زایمان زودرس است که بر روی فاکتورهای سلامت فردی نوزادان تمرکز می کند نه اینکه فقط به زود به دنیا آمدن آنها توجه شود. بیهوشی، بعد از عمل و درد و اطفال. نویسندگان اصلی این مطالعه، محقق فوق دکتری، Davide De Francesco، Ph.D.، و Jonathan Reiss، MD، یک مربی در اطفال هستند.

به طور سنتی به عنوان تولد حداقل سه هفته زودتر تعریف می شود، زایمان زودرس با عوارضی در ریه، مغز، بینایی، شنوایی و سیستم گوارش نوزادان مرتبط است. اگرچه تولدهای زودتر معمولاً خطرات بیشتری را به همراه دارند، اما زمان تولد تنها به طور تقریبی وضعیت یک نوزاد خاص را پیش‌بینی می‌کند. برخی از نوزادانی که خیلی زود به دنیا می آیند هیچ عارضه ای ندارند، در حالی که برخی دیگر که در همان مرحله بارداری متولد می شوند بسیار بیمار می شوند یا می میرند.

آقایی پور گفت: زایمان زودرس تنها عامل مرگ و میر کودکان زیر 5 سال در سراسر جهان است و ما راه حل های خوبی برای آن نداشتیم. با تمرکز تحقیقات خود بر پیش‌بینی سلامت این نوزادان، می‌توانیم مراقبت از آنها را بهینه کنیم.»

بسیاری از عوارض نارس بودن روزها یا هفته‌ها پس از تولد ظاهر می‌شوند و در عین حال آسیب قابل توجهی به سلامت نوزادان وارد می‌کنند. دانستن اینکه کدام نوزادان در معرض خطر هستند می تواند اقدامات پیشگیرانه را انجام دهد.

ما عمدتاً به نوزاد نگاه می‌کنیم تا تصمیمات درمانی در نوزادان را بگیریم، اما متوجه می‌شویم که می‌توانیم اطلاعات ارزشمندی را از سوابق سلامت مادر به‌دست آوریم، که واقعاً نشان می‌دهد که چگونه مسیر حرکت تک‌تک نوزادان با قرار گرفتن در معرض محیط مادری خاص آنها شکل گرفته است. دکتر دیوید استیونسون، یکی از نویسندگان این مطالعه، متخصص نوزادان در بیمارستان کودکان لوسیل پاکارد استنفورد، پروفسور اطفال و مدیر مرکز تحقیقات نارسی مارچ آف دایمز در دانشکده پزشکی استنفورد گفت.

وی افزود: «این حرکتی است به سمت پزشکی دقیق برای نوزادان.

خواندن سوابق پزشکی مانند کتاب

محققان سوابق پزشکی الکترونیکی برای مادران در Stanford Health Care و برای نوزادان آنها در Stanford Medicine Children’s Health را به هم مرتبط کردند که 32354 تولد زنده را که بین سال‌های 2014 تا 2020 رخ داده‌اند را پوشش می‌دهد. سوابق پزشکی مادران شامل اطلاعات مربوط به بارداری و برای کسانی بود که قبلا بیماران در پزشکی استنفورد قبل از بارداری، داده های سلامتی از قبل از بارداری. سوابق نوزادان با اطلاعات ثبت شده در بدو تولد شروع شد، از جمله وزن. آزمایش خون؛ و نمره آپگار که یک و پنج دقیقه پس از تولد در اتاق زایمان ارزیابی می شود. امتیاز آپگار شامل عواملی مانند نبض، تنفس و تون عضلانی نوزاد است.

محققان با استفاده از یک الگوریتم یادگیری ماشینی به نام شبکه عصبی حافظه کوتاه مدت طولانی، یک مدل ریاضی از سوابق پزشکی ساختند و آزمایش کردند که آیا می تواند 24 پیامد سلامتی احتمالی را برای نوزادان تا دو ماه پس از تولد پیش بینی کند یا خیر.

آقایی پور گفت: استفاده از پرونده الکترونیک سلامت به دلیل طولی بودن و حجم زیادی از داده های مربوط به هر بیمار، چالش محاسباتی دارد. “یک شبکه عصبی حافظه کوتاه مدت مانند فردی که در حال خواندن کتاب است عمل می کند. وقتی در حال مطالعه هستیم، همه کلمات را به خاطر نمی آوریم، اما مفاهیم کلیدی را به خاطر می آوریم، قسمت بعدی را می خوانیم، مفاهیم کلیدی بیشتری اضافه می کنیم و حمل می کنیم. این الگوریتم کل پرونده الکترونیکی سلامت هر بیمار را به خاطر نمی‌سپارد، اما می‌تواند مفاهیم کلیدی را به خاطر بسپارد و آن‌ها را تا جایی که پیش‌بینی می‌کنیم پیش ببرد.”

در زمان تولد، مدل یادگیری ماشینی پیش‌بینی‌های قوی ارائه کرد که در آن نوزادان دچار بیماری‌های مختلفی از جمله دیسپلازی برونکوپولمونری، نوعی بیماری مزمن ریوی می‌شوند. رتینوپاتی نارس، مشکلی در شبکیه چشم که می تواند باعث از دست دادن بینایی یا کوری شود. کم خونی نارس؛ و انتروکولیت نکروزان، یک عارضه گوارشی شدید اغلب تا هفته‌ها پس از تولد تشخیص داده نمی‌شود، که در آن زمان مداخلات پیچیده و با پیامدهای ضعیف همراه است.

این مدل همچنین یک هفته قبل از تولد پیش‌بینی‌های قوی‌ای برای پیامدهای متعدد از جمله مرگ و میر و رتینوپاتی نوزادان نارس ارائه کرد که می‌تواند باعث از دست دادن بینایی یا کوری شود، و همچنین پیش‌بینی‌های نسبتاً قوی برای 11 بیماری دیگر.

آقایی پور گفت: از اینکه چقدر قبل از تولد نوزاد و درست در بدو تولد قدرت پیش بینی داریم تعجب کردم. “انتظار نداشتم چنین چیزی را ببینم. فکر می‌کردم با جمع‌آوری داده‌هایی از نوزاد، چند روز پس از تولد، دقت به دست می‌آید.”

برخی از عوارض به طور قابل اعتمادی توسط مدل پیش‌بینی نشده بود، مانند اینکه کدام نوزادان دچار کاندیدیازیس یا عفونت‌های مخمری می‌شوند. پلی سیتمی، غلظت بالای گلبول های قرمز در خون؛ یا سندرم آسپیراسیون مکونیوم، که در آن نوزاد مکونیوم، ماده چسبنده ای که از روده جنین دفع می شود، در هنگام تولد استنشاق می کند.

محققان تأیید کردند که قدرت پیش‌بینی‌ها در طول سال‌ها تغییر نکرده است (مقایسه تولدهای 2014 تا 2018 با تولدهای 2019 تا 2020). آنها همچنین برخی از یافته ها را با استفاده از یک گروه مستقل متشکل از 12258 جفت مادر و نوزاد از UC سانفرانسیسکو تأیید کردند.

پیش‌بینی‌های این مدل در بدو تولد، اطلاعات دقیق‌تری نسبت به ابزارهای ارزیابی خطر که در حال حاضر مورد استفاده قرار می‌گیرد، مانند امتیاز آپگار و امتیاز خطر مؤسسه ملی سلامت کودک و توسعه انسانی ارائه می‌دهد. محققان خاطرنشان کردند که این نمرات فقط وضعیت نوزاد در هنگام تولد را در نظر می گیرد و هیچ اطلاعاتی از تاریخچه پزشکی مادر را در بر نمی گیرد. به گفته محققان، با این حال، قبل از اینکه این ابزار یادگیری ماشینی برای جایگزینی با ماشین حساب‌های خطر موجود در کنار تخت آماده شود، مطالعات بیشتری در جمعیت‌های متنوع‌تر مورد نیاز است.

سلامتی مادر مهم است

به گفته محققان، این مدل ارتباط غیرمنتظره ای را بین برخی از شرایط سلامت یا اجتماعی در مادران و سلامت نوزادانشان نشان داد.

به عنوان مثال، مادران مبتلا به کم خونی – یک عارضه شایع بارداری – احتمال بیشتری داشت که نوزادان مبتلا به کم خونی داشته باشند. این مطالعه نشان داد این نوزادان همچنین احتمال بیشتری برای ابتلا به انتروکولیت نکروزان عارضه روده داشتند.

استیونسون گفت: «ما باید بررسی کنیم که چه پیوندهایی این روابط را در سطح بیولوژیکی توضیح می‌دهند، زیرا ممکن است سرنخ‌هایی از چگونگی وقوع شرایط خاص ارائه دهند. این به ما امکان می‌دهد تا برای کمک به آن بچه‌ها بهتر مداخله کنیم.»

الگوریتم جدید همچنین می‌تواند انواع خاصی از آسیب‌های اجتماعی و اقتصادی را در مادران با عوارض نارس در نوزادانشان مرتبط کند.

آقایی پور گفت: «اگر مادری بی خانمان بود، متوجه شدیم که تأثیر سلامتی روی نوزاد با تأثیر حبس متفاوت است، در حالی که طبق الگوهای سنتی ممکن است تصور شود که هر دوی این عوامل اجتماعی-اقتصادی تأثیرات مشابهی بر خطر نارس بودن دارند».

استیونسون گفت، پیش‌بینی‌های این مدل می‌تواند به متخصصان نوزادان کمک کند تا بهتر تشخیص دهند کدام بیماران از پروتکل‌های موجود برای جلوگیری از عوارض زایمان سود می‌برند. به عنوان مثال، نوزادانی که در هنگام تولد دچار کمبود اکسیژن می‌شوند، اکنون می‌توانند پروتکل‌های خنک‌کننده را در اوایل زندگی دریافت کنند که دمای بدن آنها را برای چند روز کاهش می‌دهد تا از آسیب مغزی جلوگیری شود. او گفت که نمرات پیش بینی ممکن است به شناسایی نوزادان دیگری که می توانند با خنک کردن کمک کنند، کمک کند.

دانشمندان گفتند که این کار باید در جمعیت‌های بزرگ‌تر و متنوع‌تر بیماران تکرار شود و با سایر تحقیقات پزشکی استنفورد که حاملگی‌ها را بر اساس هزاران نشانگر زیستی که در طول بارداری تغییر می‌کنند، مشخص می‌کند.