Machine learning approach to evaluate the significance of clinical factors and laboratory markers in predicting postpartum hemorrhage

في كل عام، تضع ملايين النساء مولودات، وبالنسبة لمعظمهن، تنتهي عملية الولادة بكمية معقولة من النزيف. ومع ذلك، بالنسبة لعدد كبير منهن، يصبح هذا النزيف مفرطاً ومهدداً للحياة، وهي حالة تُعرف باسم نزيف ما بعد الولادة. ولا يزال هذا النزيف السبب الرئيسي لوفيات الأمهات في جميع أنحاء العالم، حيث يحصد آلاف الأرواح سنوياً. ويكمن التحدي الطبي في عدم القدرة على التنبؤ بهذا الحدث؛ فبينما يستطيع الأطباء تحديد مجموعات خطر عامة، إلا أنهم يجدون صعوبة في تحديد أي امرأة بالضبط ستعاني من نزيف خطير قبل وقوعه. ولتجسير هذه الفجوة، توجه الباحثون إلى تعلم الآلة، وهو فرع من فروع الذكاء الاصطناعي حيث تتعلم الحواسيب كيفية إيجاد الأنماط في كميات هائلة من البيانات. والأمل هو أنه من خلال تغذية الحاسوب بآلاف التفاصيل حول صحة الأم، وحملها، وفحوصات دمها، قد يتمكن الجهاز من رصد علامات تحذيرية دقيقة قد تغفل عنها الأعين البشرية للأطباء، مما يسمح بتدخل مبكر وأكثر دقة.

قام فريق من الباحثين في إيران باختبار ما إذا كانت هذه النماذج الحاسوبية يمكن أن تنجح في التنبؤ بنزيف ما بعد الولادة باستخدام بيانات من العالم الحقيقي من مستشفيين رئيسيين في طهران. لقد جمعوا معلومات من 604 امرأة وضعن مولودات، وجمعوا مجموعة واسعة من التفاصيل بما في ذلك أعمارهن، وتاريخهن الطبي، وطريقة الولادة، ونتائج مخبرية محددة أُخذت فور الولادة. وكان الباحثون مهتمين بشكل خاص بمؤشرات مثل "اللاكتات في المصل"، وهي مادة في الدم ترتفع عندما يتعرض الجسم للإجهاد أو لا يحصل على كمية كافية من الأكسجين، بالإضافة إلى مستويات "الفيبرينوجين"، وهو بروتين ضروري لتجلط الدم. وقسم الباحثون المشاركات إلى مجموعتين: اللواتي عانين من نزيف واللواتي لم يعانين منه، ثم استخدموا خوارزميات متنوعة لتعلم الآلة لمعرفة ما إذا كان بإمكان البيانات التمييز بين المجموعتين بشكل موثوق قبل حدوث النزيف.

كشفت الدراسة أن عوامل معينة كانت مرتبطة بالفعل بحدوث النزيف. فقد وجد الباحثون أن النساء اللواتي عانين من نزيف ما بعد الولادة كانت لديهن مستويات أعلى بكثير من اللاكتات في المصل مقارنة باللواتي لم يعانين منه. كما لاحظوا أن هذه الحالة كانت أكثر شيوعاً لدى النساء المصابات بـ "ما قبل تسمم الحمل"، وهي مضاعفات الحمل التي تتضمن ارتفاع ضغط الدم، وأقل شيوعاً لدى النساء اللواتي ولدن قبل الأوان أو اللواتي لديهن تاريخ من العمليات القيصرية السابقة. وتتماشى هذه النتائج مع فكرة أن استجابة الجسم للإجهاد وقدرته على تجلط الدم هما أمران مركزيان في المشكلة. وقد أظهرت البيانات وجود صلة واضحة بين هذه المؤشرات البيولوجية المحددة والنتيجة، مما يشير إلى أن الجسم يرسل إشارات قابلة للقياس عندما يكون في طريقه نحو أزمة نزفية.

ومع ذلك، عندما طلب الباحثون من نماذج تعلم الآلة استخدام هذه الإشارات للتنبؤ بالحدث، كانت النتائج أقل تشجيعاً بكثير. فعلى الرغم من الروابط الواضحة التي وجدتها البيانات الخام، فشلت النماذج الحاسوبية في تحديد النساء اللواتي سيصابن بالنزيف بدقة. إن أفضل النماذح أداءً، وهو طريقة إحصائية تسمى "الانحدار اللوجستي"، تمكنت من ترتيب المخاطر بشكل أفضل قليلاً من الصدفة العشوائية، لكنها أخفقت في اكتشاف كل حالة نزيف تقريباً. ومن الناحية العملية، كانت النماذج حذرة للغاية لدرجة أنها صنفت جميع النساء تقريباً على أنهن في أمان، متجاهلة فعلياً القلة المعرضات للخطر حقاً. أما الخوارزميات المعقدة الأخرى، بما في ذلك تلك المصممة لإيجاد أنماط معقدة، فلم تكن أفضل حالاً، حيث فشلت غالباً في اكتشاف حالة واحدة من حالات النزيف، بينما حددت بشكل صحيح الغالبية العظمى من النساء اللواتي بقين بصحة جيدة.

خلص الباحثون إلى أنه على الرغم من أن المؤشرات البيولوجية التي قاموا بقياسها مرتبطة بقوة بنزيف ما بعد الولادة، إلا أنها ليست كافية بمفردها لبناء أداة تنبؤ موثوقة. فقد استطاعت النماذج الحاسوبية رؤية الارتباط في الأرقام، لكنها لم تستطع ترجمة هذا الارتباط إلى نظام تحذير مفيد للمرضى كأفراد. وهذا يسلط الضوء على واقع صعب في العلوم الطبية: وهو أن إيجاد علاقة بين عرض ما ومرض معين لا يعني تلقائياً أن الحاسوب يمكنه التنبؤ بالمرض قبل حدوثه. وتشير الدراسة إلى أنه بينما تعد هذه الاختبارات المخبرية قيمة لفهم ما يحدث للمريضة أثناء أو فور حدوث نزيف ما بعد الولادة، إلا أنها قد لا تكون المفتاح لوقفه قبل أن يبدأ. إن المسار نحو نظام تنبؤ فعال يتطلب على الأرجح المزيد من البيانات، وأنواعاً مختلفة من المعلومات، وربما طريقة أفضل للتعامل مع حقيقة أن حالات النزيف الشديدة هي أحداث نادرة مقارنة بالولادات الطبيعية.