Machine Learning Estimation of Gestational Age at Delivery Using Linked Mother-Infant Electronic Health Records Across Two Health Systems

Cette étude démontre que des modèles d'apprentissage automatique supervisés, entraînés sur des dossiers de santé électroniques liés mère-nourrisson, peuvent estimer avec précision et de manière généralisable l'âge gestationnel à l'accouchement à travers différents systèmes de santé, offrant ainsi un cadre robuste pour soutenir la recherche à grande échelle en santé maternelle et néonatale.

L'essentiel

Imaginez que vous essayez de deviner exactement combien de temps a duré une grossesse en examinant uniquement le dossier médical d'une patiente. Parfois, le dossier omet la date précise de l'accouchement prévu, ou les notes sont brouillées et difficiles à lire. C'est un problème majeur pour les chercheurs qui tentent d'étudier l'impact des médicaments sur les bébés, car s'ils se trompent sur le timing, toute leur étude pourrait être faussée.

Ce document traite de la création d'un détective numérique intelligent capable de déterminer la durée d'une grossesse (l'âge gestationnel) même lorsque le dossier officiel est manquant ou peu clair.

Voici comment les chercheurs ont procédé, expliqué simplement :

1. Le Terrain d'Entraînement : Deux Grandes Bibliothèques

Les chercheurs ne se sont pas limités aux dossiers d'un seul hôpital ; ils ont utilisé deux immenses bibliothèques de dossiers médicaux :

• Le Vanderbilt University Medical Center (VUMC) à Nashville.
• L'University of Michigan (UMich) à Ann Arbor.

Considérez ces lieux comme deux « gymnases d'entraînement » différents. Ils ont exploité des millions de dossiers mère-enfant issus de ces gymnases pour enseigner à leur programme informatique comment repérer des motifs.

2. La Boîte à Outils du Détective : Quels Indices a-t-il Utilisés ?

Le programme informatique (un modèle d'apprentissage automatique) ne se contentait pas de deviner. Il cherchait des indices spécifiques dans les dossiers, un peu comme un détective qui reconstitue un puzzle. Ils ont testé trois « boîtes à outils » différentes pour voir laquelle fonctionnait le mieux :

• Boîte à Outils A (Mère uniquement) : Examinait uniquement l'historique de la mère (son âge, son origine ethnique, ses grossesses antérieures).
• Boîte à Outils B (Mère + Notes Hospitalières) : Ajoutait des données hospitalières générales (comme les codes CIM, qui sont des étiquettes abrégées pour les conditions médicales).
• Boîte à Outils C (Le Pack Complet) : Ajoutait également les données du bébé ! Cela comprenait le poids de naissance du bébé, son « score d'Apgar » (un bilan de santé rapide juste après la naissance) et les propres étiquettes médicales du bébé.

L'Analogie : Imaginez essayer de deviner combien de temps un gâteau a cuit.

• La Boîte à Outils A revient à deviner en se basant uniquement sur l'expérience du pâtissier.
• La Boîte à Outils B revient à consulter la fiche de recette.
• La Boîte à Outils C consiste à examiner le pâtissier, la recette, et la taille et la texture du gâteau fini. Sans surprise, le Pack Complet (Boîte à Outils C) s'est révélé le plus précis.

3. La « Devinette Intelligente » vs La « Devinette Moyenne »

Avant d'utiliser leur IA sophistiquée, les chercheurs ont tenté une méthode simple : deviner simplement la durée moyenne de grossesse pour tout le monde.

• Le Résultat : La moyenne simple était souvent très éloignée de la réalité, comme si l'on supposait que chaque gâteau prenait exactement 45 minutes, quelle que soit sa taille.
• Le Résultat de l'IA : Les modèles d'apprentissage automatique étaient beaucoup plus affûtés. Ils pouvaient prédire la durée de la grossesse à une semaine près de la date réelle dans 85 % à 93 % des cas. Dans un délai de deux semaines, ils avaient raison 94 % à 98 % du temps.

4. Le Test « Inter-Villes »

Pour s'assurer que leur détective ne se contentait pas de mémoriser la bibliothèque de Nashville, ils ont appliqué les mêmes règles à la bibliothèque du Michigan.

• Le Résultat : Cela a fonctionné tout aussi bien, et a même donné de meilleurs résultats au Michigan. Cela prouve que le « détective » n'est pas seulement un expert local ; c'est un généraliste capable de travailler dans différents hôpitaux.

5. Où le Détective Trébuche

Le document est honnête sur les endroits où le système n'est pas encore parfait :

• Bébés Prématurés : Le système est excellent pour deviner la durée des grossesses à terme (bébés nés au « bon » moment). Cependant, il éprouve un peu plus de difficultés avec les bébés nés très tôt (prématurés). C'est comme si le détective était bon pour résoudre des cas standards mais se perdait face à des mystères rares et complexes.
• Données Anciennes : Le système a mieux performé sur les dossiers des années récentes. Cela pourrait s'expliquer par le fait que les dossiers plus anciens (d'avant 2015) utilisaient des systèmes de codage différents ou disposaient de technologies d'échographie moins précises, rendant les indices plus difficiles à lire.

La Conclusion

Le document conclut que nous disposons désormais d'une « calculatrice » fiable et portable capable de combler les dates de grossesse manquantes dans les dossiers médicaux. En utilisant un mélange d'historique maternel, de notes hospitalières et de détails sur le bébé, cet outil peut aider les chercheurs à étudier la sécurité de la grossesse avec beaucoup plus de précision qu'auparavant.

Note Importante : Les auteurs précisent spécifiquement qu'il s'agit d'un outil de recherche pour corriger les données manquantes dans les études. Ils ne prétendent pas que cet outil devrait être utilisé par les médecins pour prendre des décisions cliniques immédiates pour des patients individuels dans un contexte hospitalier pour le moment. C'est un moyen de nettoyer les données afin que les scientifiques puissent en apprendre davantage sur la santé maternelle et infantile.

Résumé technique

Résumé technique : Estimation de l'âge gestationnel à l'accouchement par apprentissage automatique à partir de dossiers de santé électroniques liés mère-enfant

Énoncé du problème
Une estimation précise de l'âge gestationnel (AG) est cruciale pour la recherche sur la santé de la grossesse et de la descendance, en particulier dans les études de pharmacoépidémiologie où la définition des fenêtres d'exposition et de la susceptibilité fœtale dépend d'un datage précis de la grossesse. Cependant, les dossiers de santé électroniques (DSE) et les bases de données de réclamations administratives souffrent fréquemment de données d'AG manquantes, incomplètes ou erronées en raison d'erreurs de saisie par les prestataires, de l'absence de documentation échographique ou de limitations de l'infrastructure système. Ces imprécisions peuvent entraîner une mauvaise classification des expositions médicamenteuses, introduisant un biais et compromettant la validité de l'étude. Bien que des recherches antérieures se soient concentrées sur l'estimation de l'AG à l'aide de données de réclamations administratives, il est nécessaire d'exploiter les données mère-enfant liées, plus riches, disponibles dans les systèmes DSE, afin d'améliorer la précision de l'estimation et sa généralisabilité à divers contextes de soins de santé.

Méthodologie
Cette étude de cohorte rétrospective a développé et validé des algorithmes d'apprentissage automatique supervisé pour estimer l'AG à l'accouchement à l'aide de données DSE mère-enfant liées provenant de deux systèmes de santé universitaires : le Vanderbilt University Medical Center (VUMC, 2005–2025) et l'Université du Michigan (UMich, 2012–2024).

• Sources de données et cohorte : L'étude a utilisé la Research Derivative du VUMC et la base de données DSE de l'UMich. Les cohortes initiales comprenaient 91 471 (VUMC) et 55 733 (UMich) dyades mère-enfant. Après application des critères d'exclusion (conservation d'un seul enfant par mère, exclusion des naissances non vivantes et exigence de soins prénatals adéquats), les cohortes analytiques finales comprenaient 54 344 dyades au VUMC et 34 345 à l'UMich.
• Référence de vérité : Les estimations de l'âge gestationnel clinique (CGA) enregistrées dans les dossiers maternels au moment de l'accouchement ont servi de vérité terrain. Ces motifs textuels (par exemple, « 39 semaines 2/7 ») ont été analysés pour obtenir des jours numériques.
• Variables prédictives : Les caractéristiques ont été dérivées de trois sources :
  1. Dossiers maternels : Démographie (âge, race/ethnicité), codes CIM pour naissance prématurée, à terme ou post-terme, restriction de croissance fœtale et croissance fœtale excessive.
  2. Données du système DSE : Informations standard sur les rencontres et fréquences de codes CIM (encodées comme des jours ou des visites distincts).
  3. Dossiers infantiles : Poids de naissance, scores APGAR à 1 et 5 minutes, et codes CIM spécifiques à l'enfant (prématurité, petit pour l'âge gestationnel, grand pour l'âge gestationnel).
     Les valeurs manquantes pour le poids de naissance et les scores APGAR ont été imputées à l'aide des médianes.
• Configurations du modèle : Pour évaluer les performances dans différents environnements de données, trois configurations ont été testées :
  • C1 (Maternelle) : Prédicteurs maternels uniquement.
  • C2 (Maternelle + DSE) : Prédicteurs maternels + caractéristiques standard du DSE.
  • C3 (Maternelle + DSE + Pédiatrique) : Tous les prédicteurs disponibles, y compris les dossiers infantiles (représentant des environnements de données liés).
• Algorithmes : Des forêts aléatoires (RF), du gradient boosting (GB) et un modèle d'ensemble (moyenne des prédictions RF et GB) ont été entraînés. Les hyperparamètres ont été optimisés par validation croisée à 5 plis. Une transformation quantile a été appliquée pour traiter la distribution asymétrique à gauche du CGA.
• Évaluation : Les performances ont été évaluées sur des ensembles de test retenus en utilisant la proportion de prédictions à ±1 semaine et ±2 semaines de la référence, ainsi que l'erreur absolue moyenne (MAE). Le bootstrapping (1 000 rééchantillonnages) a été utilisé pour calculer les intervalles de confiance à 95 %.

Résultats clés

• Performances globales : Le modèle d'ensemble a atteint la plus grande précision. Sur l'ensemble de test VUMC, il a prédit l'AG à ±1 semaine pour 85,2 % des grossesses et à ±2 semaines pour 94,3 %, avec une MAE de 4,4 jours. Sur l'ensemble de test UMich, les performances se sont améliorées à 93,1 % (±1 semaine) et 97,8 % (±2 semaines), avec une MAE de 2,8 jours.
• Comparaison avec les références : Les modèles d'apprentissage automatique ont nettement surpassé les références simples de moyenne et de médiane. Par exemple, sur l'ensemble de test VUMC, les modèles d'IA ont amélioré la MAE de 6,8 à 7,9 jours par rapport à la référence moyenne (12,3 jours).
• Impact des prédicteurs : Les performances se sont constamment améliorées à mesure que davantage de sources de données étaient ajoutées (C1 < C2 < C3). L'inclusion de données spécifiques à l'enfant (poids de naissance, APGAR, codes CIM pédiatriques) a apporté le gain d'exactitude le plus significatif.
• Analyse temporelle et stratifiée :
  • Transition CIM : Les modèles ont mieux performé pour les grossesses accouchées à partir du 1er octobre 2015 (ère CIM-10-CM) par rapport à l'ère CIM-9-CM.
  • Statut de l'accouchement : Les modèles ont mieux performé pour les accouchements à terme et tardifs. Les performances étaient nettement plus faibles pour les accouchements prématurés.
  • Généralisabilité : Les modèles entraînés sur les données du VUMC et répliqués sur les données de l'UMich ont démontré une forte portabilité, la réplication à l'UMich montrant même un accord plus élevé avec la référence.

Importance et affirmations
Les auteurs affirment que cette étude présente un cadre robuste et généralisable d'apprentissage automatique pour estimer l'âge gestationnel à l'accouchement à l'aide de DSE mère-enfant liés. L'importance principale réside dans :

1. L'exploitation des données liées : Démontrer que la combinaison des dossiers maternels et infantiles (configuration C3) surpasse nettement les modèles reposant uniquement sur des données maternelles ou administratives.
2. Portabilité et reproductibilité : Réussir à répliquer le pipeline de modélisation sur deux systèmes de santé distincts ayant des histoires de données et des démographies de patients différentes, suggérant que les associations apprises sont largement généralisables et non spécifiques au site.
3. Utilité pour la recherche : Fournir un outil fiable pour imputer l'AG dans les grandes études cliniques réelles où les données d'AG sont manquantes ou invalides, réduisant ainsi le biais dans la recherche pharmacoépidémiologique et périnatale.

L'article reconnaît des limitations, notamment des performances sous-optimales pour les accouchements prématurés et l'exclusion des issues de naissance non vivantes (fausses couches, interruptions de grossesse) du périmètre actuel du modèle. Les auteurs soulignent que, bien que le cadre soit robuste, des travaux futurs sont nécessaires pour combler les écarts de performance dans l'estimation des prématurés et pour évaluer les biais potentiels liés aux disparités de santé.