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

Chaque année, des millions de femmes donnent naissance et, pour la plupart, le processus se conclut par une quantité de saignement gérable. Cependant, pour un nombre important d'entre elles, ce saignement devient excessif et potentiellement mortel, une condition connue sous le nom d'hémorragie du post-partum. Elle demeure la principale cause de décès maternel dans le monde, coûtant la vie à des milliers de femmes chaque année. Le défi médical réside dans l'imprévisibilité de l'événement ; bien que les médecins puissent identifier de larges groupes à risque, ils peinent à déterminer précisément quelle femme individuelle connaîtra une hémorragie dangereuse avant qu'elle ne se produise. Pour combler cette lacune, les chercheurs se sont tournés vers l'apprentissage automatique, une branche de l'intelligence artificielle où les ordinateurs apprennent à trouver des modèles dans de vastes quantités de données. L'espoir est qu'en nourrissant un ordinateur de milliers de détails sur la santé d'une mère, sa grossesse et ses analyses de sang, la machine puisse repérer des signes précurseurs subtils qui échappent aux médecins humains, permettant ainsi une intervention plus précoce et plus précise.

Une équipe de chercheurs en Iran a entrepris de tester si ces modèles informatiques pouvaient prédire avec succès l'hémorragie du post-partum en utilisant des données réelles provenant de deux grands hôpitaux de Téhéran. Ils ont recueilli les informations de 604 femmes ayant accouché, collectant un large éventail de détails incluant leur âge, leurs antécédents médicaux, la méthode d'accouchement et des résultats de laboratoire spécifiques prélevés immédiatement après la naissance. Les chercheurs s'intéressaient particulièrement à des marqueurs tels que le lactate sérique, une substance présente dans le sang qui augmente lorsque le corps est soumis à un stress ou ne reçoit pas assez d'oxygène, ainsi qu'aux taux de fibrinogène, une protéine essentielle à la coagulation sanguine. Ils ont divisé les participantes en deux groupes : celles qui ont subi une hémorragie et celles qui n'en ont pas subi, puis ont utilisé divers algorithmes d'apprentissage automatique pour voir si les données pouvaient distinguer de manière fiable les deux groupes avant que le saignement ne survienne.

L'étude a révélé que certains facteurs étaient effectivement liés à la survenue de l'hémorragie. Les chercheurs ont constaté que les femmes ayant subi une hémorragie du post-partum présentaient des taux de lactate sérique nettement plus élevés que celles qui n'en avaient pas subi. Ils ont également observé que la condition était plus fréquente chez les femmes souffrant de prééclampsie, une complication de la grossesse impliquant une hypertension artérielle, et moins fréquente chez les femmes ayant accouché prématurément ou ayant un antécédent de césariennes. Ces conclusions concordent avec l'idée que la réponse physiologique du corps au stress et sa capacité à coaguler le sang sont au cœur du problème. Les données ont montré un lien clair entre ces marqueurs biologiques spécifiques et le résultat, suggérant que le corps émet des signaux mesurables lorsqu'il se dirige vers une crise hémorragique.

Cependant, lorsque les chercheurs ont demandé aux modèles d'apprentissage automatique d'utiliser ces signaux pour prédire l'événement, les résultats ont été beaucoup moins encourageants. Malgré les liens clairs trouvés dans les données brutes, les modèles informatiques n'ont pas réussi à identifier avec précision quelles femmes développeraient une hémorragie. Le modèle le plus performant, une méthode statistique appelée régression logistique, a réussi à classer le risque légèrement mieux qu'au hasard, mais il a manqué presque tous les cas réels d'hémorragie. En termes pratiques, les modèles étaient si prudents qu'ils ont étiqueté presque toutes les femmes comme étant en sécurité, ignorant de fait les rares personnes qui étaient réellement à risque. D'autres algorithmes complexes, y compris ceux conçus pour trouver des motifs complexes, n'ont pas été plus performants, échouant souvent à détecter un seul cas d'hémorragie tout en identifiant correctement la vaste majorité des femmes qui sont restées en bonne santé.

Les chercheurs ont conclu que, bien que les marqueurs biologiques qu'ils ont mesurés soient fortement liés à l'hémorragie du post-partum, ils ne sont pas suffisants en soi pour construire un outil de prédiction fiable. Les modèles informatiques pouvaient percevoir la connexion dans les chiffres, mais ils ne pouvaient pas traduire cette connexion en un système d'alerte utile pour les patientes individuelles. Cela met en lumière une réalité difficile de la science médicale : trouver une corrélation entre un symptôme et une maladie ne signifie pas automatiquement qu'un ordinateur peut prédire la maladie avant qu'elle ne survienne. L'étude suggère que si ces tests de laboratoire sont précieux pour comprendre ce qui arrive à une patiente pendant ou immédiatement après une hémorragie, ils ne sont peut-être pas la clé pour l'arrêter avant qu'elle ne commence. La voie vers un système de prédiction fonctionnel nécessite probablement plus de données, différents types d'informations, et peut-être une meilleure façon de gérer le fait que les hémorragies graves sont des événements rares par rapport aux accouchements normaux.