Inferring Optimised Pregnancy Conception Dates from Multiple Gestational Age Estimates: A Hybrid Anomaly Detection and Linear Mixed Model Approach

Sintesi Tecnica: Inferenza di Date di Concepimento Ottimizzate da Molteplici Stime dell'Età Gestazionale

Definizione del Problema
La stima accurata dell'età gestazionale (EG) è fondamentale per la ricerca perinatale, la farmacovigilanza e il processo decisionale clinico, in particolare per la classificazione di esiti come la nascita pretermine e i neonati piccoli per l'età gestazionale (SGA). Tuttavia, in contesti a basse risorse come il Kenya, i dati sulla gravidanza di routine sono spesso caratterizzati da registri incoerenti, accesso limitato all'ecografia precoce e stime contrastanti derivate da molteplici metodi (ad esempio, l'ultima mestruazione [LMP], l'altezza uterina, ecografie tardive e valutazioni postnatali). Le tradizionali regole deterministiche o la revisione manuale da parte di esperti, utilizzate per risolvere tali conflitti, non sono scalabili su grandi registri osservazionali e non riescono ad affrontare adeguatamente i bias sistematici e le variazioni della qualità dei dati intrinseche nei dataset del mondo reale. La sfida centrale consiste nel modo in cui sintetizzare molteplici misurazioni dell'EG, spesso contraddittorie e incerte, in una singola data di concepimento affidabile per ogni singola gravidanza senza disporre di un "gold standard" universale per ogni caso.

Metodologia
Gli autori propongono un approccio ibrido in due fasi che combina il rilevamento delle anomalie tramite machine learning con la modellazione statistica, implementato sui dati del MiMBa Pregnancy Exposure Registry in 42 strutture sanitarie della contea di Homa Bay, Kenya.

1. Fase 1: Rilevamento delle Anomalie (Isolation Forest)

   • Obiettivo: Identificare ed escludere stime di EG implausibili prima della modellazione.
   • Algoritmo: Lo studio impiega l'Isolation Forest (IF), un algoritmo di rilevamento delle anomalie non supervisionato. Esso opera sul principio che le anomalie sono "poche e diverse", richiedendo meno divisioni casuali per essere isolate nello spazio delle caratteristiche rispetto alle osservazioni normali.
   • Implementazione: Modelli IF separati sono stati addestrati per distinti gruppi di esiti della gravidanza (Nascita Viva a Termine, Nascita Viva Pretermine, Morte Fetale, Aborto Spontaneo) per tenere conto delle diverse distribuzioni dell'EG.
   • Ingegneria delle Caratteristiche (Feature Engineering): Gli input includevano le stime grezze dell'EG (LMP, Ecografia, altezza uterina, punteggio di Ballard, lunghezza del piede) e caratteristiche derivate come l'EG alla data prevista del parto, l'EG alla data del parto effettivo, gli z-score rispetto alle distribuzioni della popolazione e le deviazioni dai range biologici attesi.
   • Ottimizzazione: Gli iperparametri (tasso di contaminazione, numero di stimatori, campioni massimi) sono stati ottimizzati tramite grid search per massimizzare il punteggio silhouette, garantendo una separazione ottimale tra i cluster normali e quelli anomali.
   • Validazione: È stato utilizzato uno schema di cross-validazione k-fold (5-fold) e le anomalie segnalate sono state sottoposte a revisione manuale da parte di clinici per verificare errori di inserimento dati.

2. Fase 2: Modellazione Lineare a Effetti Misti

   • Obiettivo: Sintetizzare le misurazioni rimanenti plausibili in una singola stima di EG "migliore" e calibrata per ogni gravidanza.
   • Struttura del Modello: È stato applicato un modello lineare a effetti misti con l'EG osservata alla data dell'esito come variabile dipendente.
     • Effetti Fissi: Includevano il metodo di stima dell'EG (per catturare il bias sistematico rispetto all'ecografia del primo trimestre) e la categoria di esito della gravidanza.
     • Effetti Casuali: Includevano un intercetta casuale specifica per ogni gravidanza per tenere conto della correlazione intra-gravidanza e della variazione individuale.
   • Calibrazione: Il modello è stato ancorato all'ecografia del primo trimestre (US1) come standard di riferimento.
   • Output: Il modello genera una Migliore Predizione Lineare Non Distorta Empirica (BLUP) per ogni gravidanza. Questa combina la correzione del bias degli effetti fissi con l'intercetta casuale, "prendendo in prestito forza" dall'intero dataset per raffinare le stime individuali per chi dispone di dati scarsi. La data di concepimento finale viene derivata sottraendo questa EG calibrata dalla data del parto osservata.

Risultati Chiave

• Qualità dei Dati e Anomalie: I tassi di anomalia erano distribuiti in modo non uniforme, significativamente più alti negli esiti avversi (5,1% negli aborti spontanei) rispetto alle nascite vive a termine (0,5%). I driver primari delle anomalie erano stati errori di inserimento dati nelle cartelle cliniche prenatali (46,8%) ed errori di memoria relativi all'LMP.
• Precisione e Bias dei Metodi:
  • Ecografia: L'ecografia del primo trimestre ha funto da gold standard. Le ecografie successive hanno mostrato un bias sistematico progressivo (in aumento dal 3,15 giorni nel secondo trimestre al 6,41 giorni nel terzo trimestre) ma hanno mantenuto un'alta precisione a livello individuale (Deviazione Standard: 7,5–8,9 giorni).
  • Metodi Clinici/Postnatali: Metodi come l'LMP, l'altezza uterina, il punteggio di Ballard e la lunghezza del piede hanno mostrato un bias medio minimo (< 2 giorni) a livello di popolazione, ma hanno sofferto di una sostanziale incertezza a livello individuale, con dispersioni della variabilità superiori a 35 giorni.
• Performance del Modello: L'approccio ibrido ha generato con successo una data di concepimento unificata e de-biased per ogni gravidanza. Accorpando le informazioni attraverso l'intero dataset, il modello ha fornito stime individuali più affidabili rispetto a qualsiasi singolo metodo, anche per le donne con dati ecografici precoci limitati o assenti.

Significatività e Rivendicazioni
Il documento sostiene che i dataset di cura di routine, spesso scartati a causa dei problemi di qualità dei dati, possono fornire stime di EG affidabili se sottoposti a rigorosa pulizia dei dati e modellazione statistica. Il contributo primario è un framework scalabile e basato sui dati che:

1. Risolve i Conflitti: Sintetizza molteplici metodi di datazione contrastanti in una singola metrica calibrata senza richiedere un gold standard per ogni singolo caso.
2. Abilita la Farmacovigilanza: Fornendo date di concepimento individuali accurate, il metodo supporta l'allineamento temporale preciso delle esposizioni ai farmaci con le finestre di sviluppo fetale, il che è essenziale per i registri di farmacovigilanza e per gli studi osservazionali su larga scala dove mancano i controlli di livello di sperimentazione clinica.
3. Colma i Gap di Risorse: Offre una soluzione per i contesti a basse risorse dove l'ecografia precoce è scarsa, permettendo ai ricercatori di utilizzare gli esistenti record sanitari digitali per una ricerca perinatale di alta qualità.

Gli autori notano con modestia che, sebbene la metodologia sia robusta per la ricerca retrospettiva, la sua traduzione nella pratica clinica in tempo reale richiede l'integrazione di questi algoritmi in cartelle cliniche elettroniche (EMR) interoperabili per fornire supporto decisionale al punto di cura. Essi riconoscono inoltre i limiti riguardanti la scarsità di ecografie precoci per la calibrazione in gruppi con esiti rari e la necessità di validazione esterna in contesti diversi.