Machine Learning and Large Language Models for Maternal Cardiometabolic Risk Prediction Across Harmonised Public Pregnancy Datasets

La gravidanza è un evento fisiologico profondo che agisce come un rigoroso test di stress per il cuore e il metabolismo di una donna. Durante questi nove mesi, il corpo deve gestire l'aumento del volume sanguigno, i cambiamenti nei livelli ormonali e le richieste metaboliche di un feto in crescita. Per molte, questo processo procede senza intoppi, ma per altre, rivela vulnerabilità sottostanti. Condizioni come l'ipertensione, l'irregolarità dei livelli di zucchero nel sangue e i bassi livelli di ferro nel sangue possono emergere o peggiorare, creando una complessa rete di rischi che minacciano sia la madre che il bambino. Queste complicazioni non sono eventi isolati; sono spesso interconnesse, e la loro presenza può segnalare una maggiore probabilità di parti difficili, nati prematuri o problemi di salute a lungo termine per la madre più avanti nella vita. Identificare questi rischi precocemente permette ai medici di intervenire, monitorare più attentamente e personalizzare le cure per prevenire esiti gravi.

Per decenni, i professionisti medici si sono affidati a specifiche soglie e indicatori individuali per individuare questi pericoli. Una lettura della pressione sanguigna sopra un certo numero o un livello di glucosio al di fuori di un intervallo normale scatena un allarme. Tuttavia, il corpo umano non segue sempre regole semplici e lineari. L'interazione tra l'età di una donna, il suo aumento di peso, la sua storia di gravidanze passate e i suoi parametri vitali attuali crea un modello che è difficile catturare con una singola checklist. Questa complessità ha spinto i ricercatori a esplorare se i computer possano imparare a riconoscere questi modelli sottili e non lineari meglio dei metodi tradizionali. La speranza è che, alimentando algoritmi avanzati con enormi quantità di dati clinici, le macchine possano prevedere chi è più a rischio, anche prima che i sintomi diventino evidenti.

Uno studio recente si è posto l'obiettivo di testare questa idea utilizzando due approcci diversi: l'apprendimento automatico tradizionale e i più recenti modelli linguistici di grandi dimensioni, più conversazionali. I ricercatori hanno iniziato raccogliendo dati da due collezioni di record sanitari materni pubblicamente disponibili. Un dataset conteneva informazioni generali sulle donne incinte, mentre l'altro si concentrava specificamente su una condizione chiamata preeclampsia, un disturbo serio che comporta l'ipertensione. Per far sì che queste due diverse fonti lavorassero insieme, il team ha dovuto tradurre le loro variabili in un linguaggio comune. Hanno allineato misurazioni come la pressione sanguigna, i livelli di emoglobina e l'età gestazionale in modo che una lettura in un dataset significasse la stessa cosa nell'altro. Hanno anche standardizzato le etichette di rischio, raggruppando le donne in categorie a basso, medio e alto rischio in base ai loro record medici esistenti.

La prima fase della ricerca ha comportato l'addestramento di un set di modelli informatici sul primo dataset. Questi modelli avevano il compito di esaminare il profilo clinico di una donna e prevedere la sua categoria di rischio. I ricercatori hanno testato diversi tipi di algoritmi, inclusi alberi decisionali e macchine a vettori di supporto, per vedere quale apprendesse i modelli in modo più efficace. Un modello, noto come HistGradientBoosting, è emerso come il miglior performer. Testato contro i dati che aveva appreso, ha identificato correttamente il livello di rischio in quasi l'88 percento dei casi. Ha dimostrato una forte discriminazione interna nel separare le pazienti ad alto rischio dal resto, con un'area sotto la curva caratteristica di ricezione di 0,989 e un'area sotto la curva precisione-richiamo di circa 0,974. Il modello ha anche identificato quali fattori fossero più rilevanti, evidenziando che la distanza da un ospedale, i livelli di glucosio nel sangue e l'aumento di peso durante la gravidanza erano driver chiave nelle sue decisioni.

Tuttavia, il vero test per qualsiasi strumento di predizione medica non è quanto funzioni bene sui dati su cui è stato addestrato, ma quanto funzioni bene su nuovi dati non visti. È qui che lo studio ha preso una svolta critica. I ricercatori hanno preso il loro modello con le migliori prestazioni e lo hanno applicato direttamente al secondo dataset, che proveniva da una fonte diversa e conteneva pazienti differenti. Non hanno riaddestrato il modello né ne hanno regolato le impostazioni; hanno semplicemente chiesto al modello di fare previsioni basandosi sulle sei variabili condivise da entrambi i dataset. I risultati sono stati drasticamente diversi. L'accuratezza del modello è scesa significamente, classificando correttamente solo circa il 39 percento dei casi. Più preoccupante ancora, non è riuscito a identificare nemmeno una donna che fosse effettivamente ad alto rischio in questo nuovo gruppo. Inveve, ha etichettato tutte le 26 donne ad alto rischio come a basso o medio rischio. Questo fallimento ha suggerito che i modelli appresi dal modello erano specifici per il primo gruppo di pazienti e non si traducevano nel secondo, probabilmente perché i due gruppi differivano in modi fondamentali, come l'età media delle madri o la tempistica dei loro esami del sangue.

Riconoscendo che i modelli tradizionali potevano avere difficoltà con questa mancanza di generalizzabilità, i ricercatori si sono rivolti ai modelli linguistici di grandi dimensioni. Questi sono gli stessi sistemi di intelligenza artificiale in grado di scrivere saggi, rispondere a domande e sostenere conversazioni. Il team ha convertito i record medici strutturati in narrazioni in linguaggio naturale, descrivendo la storia di ogni paziente e la sua condizione attuale in poche frasi. Hanno poi chiesto a due diversi modelli linguistici, DeepSeek e Qwen, di leggere queste storie e prevedere il livello di rischio. Hanno provato vari metodi di prompting, incluso il fornire esempi di come risolvere problemi simili prima di chiedere di risolvere un nuovo problema. La configurazione con le migliori prestazioni, che utilizzava un tipo specifico di prompt di ragionamento, è riuscita a identificare correttamente il livello di rischio in circa il 58 percento dei casi. Sebbene fosse migliore della prestazione del modello tradizionale sui nuovi dati, era ancora lontana dalla perfezione. Il modello mostrava un chiaro bias: identificava con successo tutti i quattro casi ad alto rischio nel piccolo gruppo di test, ma non riusciva a identificare nessuno dei casi a basso rischio, presumendo essenzialmente che tutti fossero almeno un po' a rischio.

I ricercatori hanno anche esaminato il modo in cui questi diversi sistemi spiegavano le loro decisioni. Hanno confrontato i fattori che il modello di apprendimento automatico tradizionale considerava importanti con le parole chiave utilizzate dai modelli linguistici nelle loro spiegazioni scritte. Entrambi i sistemi concordavano sul fatto che la pressione sanguigna, lo zucchero nel sangue e i livelli di emoglobina fossero indicatori critici di rischio. Tuttavia, divergevano su altri fattori. Il modello tradizionale attribuiva un peso significativo alla distanza da un ospedale e all'aumento di peso della paziente, probabilmente perché questi erano segnali statistici forti nei dati. I modelli linguistici, invece, raramente menzionavano questi fattori logistici e fisici. Al contrario, si concentravano maggiormente sulla storia medica passata della paziente e sulle complicazioni precedenti, attingendo alla conoscenza clinica incorporata nel loro addestramento. Questa differenza evidenzia un divario tra ciò che i dati suggeriscono statisticamente e ciò che i modelli trovano clinicamente plausibile.

Lo studio conclude che, sebbene questi strumenti mostrino potenziale, non sono ancora pronti per l'uso clinico. Il modello di apprendimento automatico tradizionale ha performato bene nell'ambiente per cui è stato costruito, ma non è stato in grado di adattarsi a una nuova popolazione, un ostacolo comune nell'intelligenza artificiale medica. I modelli linguistici di grandi dimensioni hanno mostrato la capacità di leggere note cliniche e generare spiegazioni leggibili dall'uomo, ma le loro predizioni erano instabili e soggette a bias. I ricercatori sottolineano che il valore di questo lavoro non risiede nel produrre un singolo predittore perfetto, ma nel dimostrare la difficoltà di spostare un modello da un dataset all'altro. Suggeriscono che affinché queste tecnologie diventino utili negli ospedali del mondo reale, devono essere testate su gruppi di pazienti molto più ampi e diversificati e validate rispetto agli esiti sanitari reali piuttosto che solo rispetto alle etichette esistenti. Fino ad allora, questi sistemi rimangono strumenti sperimentali che possono organizzare informazioni e suggerire possibilità, ma non possono ancora sostituire il giudizio di un clinico.