機械学習ツールが胎児心拍数変化の予測にフラグを付ける

出典: ゲッティイメージズ

シャナイア・ケネディ

2023年6月5日 - BMC妊娠と出産で先月発表された研究によると、研究者らは、健康な妊娠患者の神経軸鎮痛後の胎児心拍数の変化に関連する予測因子を正確に特定できる機械学習（ML）手法を開発した。

研究者らは、神経軸鎮痛法（脊髄法、硬膜外法、および脊髄硬膜外併用法（CSE）を含む米国で広く使用されている分娩鎮痛法）が胎児心拍数の変化と関連していると説明した。

これらの変化は自然に解決する可能性がありますが、胎児徐脈として知られる心拍数の大幅な低下は、潜在的に深刻な健康上の問題を示している可能性があります。 しかし、研究チームはさらに、複数の要因が胎児徐脈の可能性を高め、その状態を予測することが困難になる可能性があると指摘しました。

これに対処するために、研究者らは ML に注目しました。 胎児徐脈のような複数の予測変数が考えられる状態では、臨床現場でどの予測変数が最も有用かを特定するために大量のデータを分析する必要があります。

研究について論じたブログ投稿の中で、研究の著者らは、ML モデルの動的な性質がそのようなタスクに適していると述べました。

「これらのモデルは、無数の潜在的な相互作用を伴う複数の予測変数を管理する場合に特に役立ちます。従来のモデルを使用すると、より多くの作業が必要になる可能性があります。」と著者らは書いています。 「人工知能（AI）のこの分野で使用されるアルゴリズムには、単なる背景知識だけでは見えない可能性のある予測変数が組み込まれています。さらに、教師なし機械学習手法を使用すると、未知のパターンが明らかになる可能性があります。」

また、ML アルゴリズムは予測変数と結果の間の関係について仮定を立てませんが、人間は両者が線形関係にあると仮定する可能性が高い、と著者らは説明しました。 これにより、ML アルゴリズム間の精度の向上につながる可能性があります。

胎児心拍数変化の予測因子を特定するのに適切なモデルを設計するために、研究者らは、神経軸鎮痛を受けた健康な分娩患者 1,077 人を対象に遡及分析を実施しました。

研究チームはこれらのデータを使用して、主成分回帰、ランダム フォレスト、エラスティック ネット モデル、多重線形回帰の 4 つのモデルのパフォーマンスを比較しました。 各モデルについて、予測精度と解釈可能性が評価されました。

研究者らは、ランダム フォレスト モデルが、予測値と測定値の平均差を表す平均二乗誤差 (MSE) を使用した精度の点で最高のパフォーマンスを達成したことを発見しました。

ランダム フォレスト モデルの MSE は 0.9 でしたが、他の 3 つのモデルの MSE は 42 以上でした。

この分析では、母親の体格指数（BMI）、分娩の第一段階の長さ、神経軸性鎮痛のための CSE 技術の使用、および分娩の第 1 段階の長さなど、複数の要因が神経軸性分娩鎮痛後の胎児心拍数の変化に重要な役割を果たすことも示しました。投与されたブピバカインの量。

研究者らは、これらの発見は、十分に理解されていない医学的問題に光を当てる上で重要な実践的な意味を持つと述べた。 彼らは、研究の文脈の中で、ML アプローチにより、健康な妊娠患者の胎児心拍数の変化に関連するリスクに対する臨床医の認識が高まり、治療計画の調整が可能になる可能性があると指摘しました。

他の研究者や臨床医も、AI を活用して分娩と出産の結果を改善しようとしています。

昨年、メイヨークリニックの研究者らは、経膣分娩に伴う妊娠患者の個別の分娩リスクを予測するための、AIベースのリスク予測モデルを開発した。

このモデルは、患者の最新の臨床評価、入院からの累積分娩経過、分娩開始時のベースライン特性から収集した患者データを使用して、患者とその赤ちゃんの潜在的な出産結果を示します。

研究者らは、このモデルはメイヨークリニックの労働部門内で検証される予定であると示唆した。