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

Ogni anno, milioni di donne partoriscono e, per la maggior parte, il processo si conclude con una quantità gestibile di sanguinamento. Tuttavia, per un numero significativo di loro, questo sanguinamento diventa eccessivo e potenzialmente letale, una condizione nota come emorragia postpartum. Essa rimane la principale causa di morte materna in tutto il mondo, causando migliaia di decessi ogni anno. La sfida medica risiede nell'imprevedibilità dell'evento; sebbene i medici possano identificare ampi gruppi a rischio, faticano a individuare esattamente quale singola donna subirà un'emorragia pericolosa prima che accada. Per colmare questa lacuna, i ricercatori si sono rivolti al machine learning, un ramo dell'intelligenza artificiale in cui i computer imparano a trovare schemi in vaste quantità di dati. La speranza è che, fornendo a un computer migliaia di dettagli sulla salute di una madre, sulla sua gravidanza e sulle sue analisi del sangue, la macchina possa individuare segnali di avvertimento sottili che i medici umani perdono, permettendo un intervento più precoce e preciso.

Un team di ricercatori in Iran ha intrapreso l'obiettivo di testare se questi modelli informatici potessero prevedere con successo l'emorragia postpartum utilizzando dati del mondo reale provenienti da due grandi ospedali di Teheran. Hanno raccolto informazioni da 604 donne che avevano partorito, raccogliendo una vasta gamma di dettagli tra cui l'età, la storia medica, il metodo di parto e specifici risultati di laboratorio eseguiti immediatamente dopo la nascita. I ricercatori erano particolarmente interessati a marcatori come il lattato sierico, una sostenza presente nel sangue che aumenta quando il corpo è sotto stress o non riceve abbastanza ossigeno, nonché ai livelli di fibrinogeno, una proteina essenziale per la coagulazione del sangue. Hanno diviso le partecipanti in due gruppi: quelle che hanno subito un'emorragia e quelle che non l'hanno subita, e poi hanno utilizzato vari algoritmi di machine learning per vedere se i dati potessero distinguere in modo affidabile tra i due gruppi prima che avvenisse il sanguinamento.

Lo studio ha rivelato che certi fattori erano effettivamente legati all'insorgenza dell'emorragia. I ricercatori hanno scoperto che le donne che hanno subito un'emorragia postpartum presentavano livelli di lattato sierico significativamente più alti rispetto a quelle che non l'hanno subita. Hanno anche osservato che la condizione era più comune nelle donne con preeclampsia, una complicazione della gravidanza che comporta l'ipertensione, ed era meno comune nelle donne che avevano partorito prematuramente o che avevano una storia di precedenti cesarei. Questi risultati si allineano con l'idea che la risposta fisiologica del corpo allo stress e la sua capacità di coagulare il sangue siano centrali nel problema. I dati hanno mostrato una chiara connessione tra questi specifici marcatori biologici e l'esito, suggerendo che il corpo emetta segnali misurabili quando sta andando incontro a una crisi emorragica.

Tuttavia, quando i ricercatori hanno chiesto ai modelli di machine learning di usare questi segnali per prevedere l'evento, i risultati sono stati molto meno incoraggianti. Nonostante i chiari legami trovati nei dati grezzi, i modelli informatici non sono riusciti a identificare accuratamente quali donne avrebbero sviluppato un'emorragia. Il modello con le prestazioni migliori, un metodo statistico chiamato regressione logistica, è riuscito a classificare il rischio leggermente meglio del caso casuale, ma ha mancato quasi ogni vero caso di emorragia. In termini pratici, i modelli erano così cauti da etichettare quasi ogni donna come sicura, ignorando di fatto le poche che erano effettivamente a rischio. Altri algoritmi complessi, inclusi quelli progettati per trovare schemi intricati, non sono andati meglio, spesso fallendo nel rilevare un singolo caso di emorragia pur identificando correttamente la stragrande maggioranza delle donne rimaste in salute.

I ricercatori hanno concluso che, sebbene i marcatori biologici che hanno misurato siano fortemente correlati all'emorragia postpartum, non sono sufficienti da soli per costruire uno strumento di previsione affidabile. I modelli informatici potevano vedere la connessione nei numeri, ma non potevano tradurre quella connessione in un sistema di avviso utile per i singoli pazienti. Ciò evidenzia una difficile realtà nella scienza medica: trovare una correlazione tra un sintomo e una malattia non significa automaticamente che un computer possa prevedere la malattia prima che accada. Lo studio suggerisce che, sebbene questi test di laboratorio siano preziosi per comprendere cosa stia accadendo a un paziente durante o immediatamente dopo un'emorragia, potrebbero non essere la chiave per fermarla prima che inizi. La strada verso un sistema di previsione funzionante richiede probabilmente più dati, tipi diversi di informazioni e, forse, un modo migliore per gestire il fatto che le emorragie gravi sono eventi rari rispetto alle nascite normali.