Gli strumenti di machine learning segnalano i fattori predittivi delle variazioni della frequenza cardiaca fetale

Fonte: Getty Images

Di Shania Kennedy

5 giugno 2023 - I ricercatori hanno sviluppato metodi di apprendimento automatico (ML) in grado di identificare con precisione i predittori associati ai cambiamenti della frequenza cardiaca fetale in seguito all'analgesia neuroassiale in pazienti sane in gravidanza, secondo uno studio pubblicato il mese scorso su BMC Pregnancy and Childbirth.

I ricercatori hanno spiegato che l’analgesia neuroassiale, un metodo di analgesia del travaglio ampiamente utilizzato negli Stati Uniti che comprende tecniche spinali, epidurali e combinate spinale-epidurali (CSE), è associata a cambiamenti della frequenza cardiaca fetale.

Questi cambiamenti possono risolversi da soli, ma un calo significativo della frequenza cardiaca, noto come bradicardia fetale, può indicare problemi di salute potenzialmente gravi. Tuttavia, il gruppo di ricerca ha inoltre osservato che molteplici fattori possono aumentare la probabilità di bradicardia fetale, rendendo la condizione difficile da prevedere.

Per risolvere questo problema, i ricercatori si sono rivolti al ML. Una condizione con diverse possibili variabili predittive come la bradicardia fetale richiede l’analisi di grandi quantità di dati per identificare quali predittori siano più utili in ambito clinico.

In un post sul blog in cui discutono la loro ricerca, gli autori dello studio hanno indicato che la natura dinamica dei modelli ML li rende adatti a tale compito.

"Questi modelli sono particolarmente utili per gestire più variabili predittive con innumerevoli potenziali interazioni, che potrebbero richiedere più lavoro per tenere conto dell'utilizzo dei modelli tradizionali", scrivono gli autori. "Gli algoritmi utilizzati in questo ramo dell'intelligenza artificiale [AI] incorporano variabili predittive che potrebbero non essere visibili con la semplice conoscenza di base. Inoltre, quando vengono utilizzati metodi di apprendimento automatico non supervisionati, possono essere svelati modelli sconosciuti."

Inoltre, gli algoritmi ML non fanno ipotesi sulla relazione tra un predittore e un risultato, mentre gli esseri umani sono più propensi a ritenere che i due abbiano una relazione lineare, hanno spiegato gli autori. Ciò può portare a una maggiore precisione tra gli algoritmi ML.

Per progettare modelli appropriati per identificare i predittori dei cambiamenti della frequenza cardiaca fetale, i ricercatori hanno condotto un'analisi retrospettiva di 1.077 pazienti sani in travaglio che hanno ricevuto analgesia neuroassiale.

Utilizzando questi dati, il gruppo di ricerca ha confrontato le prestazioni di quattro modelli: regressione delle componenti principali, foresta casuale, modello della rete elastica e regressione lineare multipla. Per ciascun modello sono state valutate l'accuratezza e l'interpretabilità della previsione.

I ricercatori hanno scoperto che il modello della foresta casuale ha ottenuto le migliori prestazioni in termini di precisione utilizzando l’errore quadratico medio (MSE), una misura che rappresenta la differenza media tra i valori previsti e misurati.

Il modello della foresta casuale aveva un MSE di 0,9, mentre gli altri tre modelli avevano un MSE di 42 o superiore.

L'analisi ha inoltre dimostrato che molteplici fattori svolgono un ruolo significativo nelle variazioni della frequenza cardiaca fetale dopo l'analgesia neuroassiale del travaglio, tra cui l'indice di massa corporea (BMI) della madre, la durata della prima fase del travaglio, l'uso di tecniche CSE per l'analgesia neuroassiale e la quantità di bupivacaina somministrata.

I ricercatori hanno affermato che questi risultati hanno implicazioni pratiche fondamentali nel far luce su problemi medici poco compresi. Nel contesto del loro studio, hanno notato che un approccio ML ha il potenziale per aumentare la consapevolezza dei medici sui rischi legati ai cambiamenti della frequenza cardiaca fetale nelle pazienti sane in gravidanza, il che consentirebbe loro di adattare i piani di trattamento.

Anche altri ricercatori e medici stanno cercando di sfruttare l’intelligenza artificiale per migliorare i risultati del travaglio e del parto.

L’anno scorso, i ricercatori della Mayo Clinic hanno sviluppato un modello di previsione del rischio basato sull’intelligenza artificiale per prevedere i rischi individuali del travaglio delle pazienti incinte associati al parto vaginale.

Il modello utilizza i dati dei pazienti raccolti dalle valutazioni cliniche più recenti, dall'avanzamento cumulativo del travaglio dal ricovero e dalle caratteristiche di base all'inizio del travaglio per indicare i potenziali risultati del parto per la paziente e il suo bambino.