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

Jedes Jahr bringen Millionen von Frauen ein Kind zur Welt, und für die meisten endet der Prozess mit einer handhabbaren Menge an Blutungen. Doch für eine signifikante Anzahl wird diese Blutung jedoch übermäßig stark und lebensbedrohlich – ein Zustand, der als postpartale Hämorrhagie bekannt ist. Sie bleibt die führende Ursache für Müttersterblichkeit weltweit und fordert jährlich tausende Leben. Die medizinische Herausforderung liegt in der Unvorhersehbarkeit des Ereignisses; während Ärzte zwar breite Risikogruppen identifizieren können, fällt es ihnen schwer, genau zu bestimmen, welche einzelne Frau vor dem Eintreten eine gefährliche Hämorrhagie erleben wird. Um diese Lücke zu schließen, haben sich Forscher dem maschinellen Lernen zugewandt, einem Zweig der künstlichen Intelligenz, bei dem Computer lernen, Muster in riesigen Datenmengen zu finden. Die Hoffnung ist, dass der Computer durch die Einspeisung tausender Details über die Gesundheit einer Mutter, ihre Schwangerschaft und ihre Blutwerte subtile Warnzeichen erkennt, die menschliche Ärzte übersehen könnten, was eine frühere und präzisere Intervention ermöglicht.

Ein Forscherteam im Iran machte sich daran zu testen, ob diese Computermodelle erfolgreich die Vorhersage einer postpartalen Hämorrhagie unter Verwendung von Echtzeitdaten aus zwei großen Krankenhäusern in Teheran leisten könnten. Sie sammelten Informationen von 604 Frauen, die entbunden hatten, und erhoben dabei eine breite Palette von Details, einschließlich ihres Alters, ihrer medizinischen Vorgeschichte, der Art der Entbindung und spezifischer Laborergebnisse, die unmittelbar nach der Geburt genommen wurden. Die Forscher waren besonders an Markern wie Serum-Laktat interessiert, einer Substanz im Blut, die ansteigt, wenn der Körper unter Stress steht oder nicht genügend Sauerstoff erhält, sowie an den Werten von Fibrinogen, einem Protein, das für die Blutgerinnung entscheidend ist. Sie teilten die Teilnehmerinnen in zwei Gruppen auf: jene, die eine Hämorrhagie erlitten, und jene, die keine erlitten, und nutzten dann verschiedene Algorithmen des maschinellen Lernens, um zu sehen, ob die Daten zuverlässig zwischen den beiden Gruppen unterscheiden konnten, bevor die Blutung auftrat.

Die Studie ergab, dass bestimmte Faktoren tatsächlich mit dem Auftreten einer Hämorrhagie verknüpft waren. Die Forscher fanden heraus, dass Frauen, die eine postpartale Hämorrhagie erlitten, signifikant höhere Serum-Laktatwerte aufwiesen als diejenigen, die dies nicht taten. Sie beobachteten auch, dass der Zustand häufiger bei Frauen mit Präeklampsie auftrat, einer Schwangerschaftskomplikation, die mit Bluthochdruck einhergeht, und seltener bei Frauen, die eine Frühgeburt hatten oder eine Vorgeschichte von Kaiserschnitten aufwiesen. Diese Erkenntnisse stimmen mit der Vorstellung überein, dass die physiologische Reaktion des Körpers auf Stress und seine Fähigkeit zur Blutgerinnung zentral für das Problem sind. Die Daten zeigten eine klare Verbindung zwischen diesen spezifischen biologischen Markern und dem Ausgang, was darauf hindeutet, dass der Körper messbare Signale aussendet, wenn er sich auf eine hämatische Krise zubewegt.

Als die Forscher die maschinellen Lernmodelle jedoch baten, diese Signale zur Vorhersage des Ereignisses zu nutzen, waren die Ergebnisse weitaus weniger ermutigend. Trotz der in den Rohdaten gefundenen klaren Zusammenhänge versagten die Computermodelle dabei, genau zu identifizieren, welche Frauen eine Hämorrhagie entwickeln würden. Das am besten abschneidende Modell, eine statistische Methode namens logistische Regression, schaffte es zwar, das Risiko etwas besser als der Zufall einzustufen, übersah aber fast jeden tatsächlichen Fall von Hämorrhagie. In praktischer Hinsicht waren die Modelle so vorsichtig, dass sie fast jede Frau als sicher einstuften und dadurch praktisch die wenigen ignorierten, die tatsächlich gefährdet waren. Andere komplexe Algorithmen, einschließlich derer, die darauf ausgelegt sind, komplizierte Muster zu finden, schnitten nicht besser ab und konnten oft nicht einen einzigen Fall von Hämorrhagie entdecken, während sie die große Mehrheit der gesunden Frauen korrekt identifizierten.

Die Forscher kamen zu dem Schluss, dass die von ihnen gemessenen biologischen Marker zwar stark mit einer postpartalen Hämorrhagie zusammenhängen, aber allein nicht ausreichen, um ein zuverlässiges Vorhersagewerkzeug aufzubauen. Die Computermodelle konnten die Verbindung in den Zahlen erkennen, aber sie konnten diese Verbindung nicht in ein nützliches Warnsystem für einzelne Patientinnen übersetzen. Dies verdeutlicht eine schwierige Realität in der medizinischen Wissenschaft: Das Finden einer Korrelation zwischen einem Symptom und einer Krankheit bedeutet nicht automatisch, dass ein Computer die Krankheit vor ihrem Eintreten vorhersagen kann. Die Studie legt nahe, dass diese Labortests zwar wertvoll sind, um zu verstehen, was während oder unmittelbar nach einer Hämorrhagie mit einem Patienten geschieht, sie aber möglicherweise nicht der Schlüssel sind, um sie zu verhindern, bevor sie beginnt. Der Weg zu einem funktionierenden Vorhersagesystem erfordert wahrscheinlich mehr Daten, andere Arten von Informationen und vielleicht einen besseren Umgang mit der Tatsache, dass schwere Hämorrhagien im Vergleich zu normalen Geburten seltene Ereignisse sind.