A Comparative Machine Learning Analysis of Neural Networks and XGBoost for Predicting Maternal Mortality in Maiduguri, Nigeria

In molte parti del mondo, il viaggio della gravidanza è costellato di pericoli, dove una singola complicazione può trasformare un momento di anticipazione in una tragedia. Nei contesti a basse risorse, e in particolare nelle aree colpite dai conflitti, la capacità di prevedere chi è a rischio di morire durante il parto è spesso limitata dalla mancanza di dati e dalla pura complessità della biologia umana. Per decenni, i medici si sono affidati a metodi statistici standard per pesare fattori come l'età della madre, la sua storia di gravidanze precedenti e il suo accesso alle cure. Questi metodi sono utili, ma spesso faticano a vedere i modi intricati e non lineari in cui questi fattori interagiscono. Negli ultimi anni, una nuova generazione di strumenti è emerssa dal campo dell'informatica, capace di trovare schemi nascosti in vaste quantità di informazioni. Due di questi strumenti più potenti sono le reti neurali artificiali, che imitano il modo in cui il cervello umano connette le idee, e le macchine a boosting del gradiente, che costruiscono previsioni imparando da una serie di piccoli errori sequenziali. La domanda che i funzionari della sanità pubblica si pongono è se questi avanzati strumenti digitali possano effettivamente aiutare a salvare vite negli ambienti più difficili, o se siano semplicemente troppo complessi per i dati disponibili.

Nella città di Maiduguri, in Nigeria, colpita dal conflitto, dove l'insicurezza e un sistema sanitario fragile rendono l'assistenza materna una lotta quotidiana, due ricercatori hanno deciso di testare questi strumenti digitali contro la realtà dei registri medici locali. Hanno raccolto informazioni da 158 donne che avevano ricevuto assistenza in ospedali selezionati della città. L'obiettivo era semplice: vedere se un computer potesse esaminare la storia clinica di una donna e prevedere correttamente se sarebbe sopravvissuta al parto o meno. Il team ha confrontato due approcci diversi. Un approccio utilizzava una rete neurale artificiale, un tipo di programma che impara regolando le connessioni tra strati di unità digitali, proprio come uno studente che affina la propria comprensione di un argomento attraverso la pratica ripetuta. L'altro approccio utilizzava un metodo chiamato XGBoost, che funziona costruendo una foresta di alberi decisionali, dove ogni nuovo albero corregge gli errori di quelli precedenti, affinando gradualmente la previsione più accurata.

I ricercatori sono partiti con un dataset che includeva dettagli come l'età della madre, l'istruzione, il reddito, il numero di volte in cui era stata incinta e se avesse avuto complicazioni come emorragie gravi o pressione alta. Tuttavia, mentre preparavano i dati affinché il computer potesse imparare da essi, scoprirono un difetto critico che avrebbe completamente fuorviato i loro risultati. Una variabile nei loro registri, etichettata come "Morbilità Grave", si rivelò essere uno specchio perfetto dell'esito stesso. In ogni singolo caso in cui una donna moriva, questa variabile era contrassegnata come grave, e in ogni caso in cui sopravviveva, era contrassegnata come non grave. Se il computer fosse stato autorizzato a usare questa informazione, non avrebbe predetto il futuro; avrebbe semplicemente letto la chiave di risposta. I ricercatori presero la decisione difficile ma necessaria di rimuovere completamente questa variabile. Rimossero anche un altro dato che era identico per ogni singola persona nello studio, poiché non offriva informazioni utili per distinguere tra le sopravvissute e coloro che non sopravvissero.

Con i dati puliti e le informazioni fuorvianti rimosse, il team eseguì i propri modelli utilizzando un metodo di test rigoroso. Invece di dividere i dati una sola volta in un set di addestramento e un set di test, rimescolarono ripetutamente i 158 record in gruppi diversi, addestrando i modelli su alcuni e testandoli su altri, un processo che ripetettero cento volte per garantire che i risultati fossero stabili e non solo un colpo di fortuna. I risultati furono sorprendenti. Sia la rete neurale artificiale che il modello XGBoost operarono con un'accuratezza eccezionale, classificando correttamente la stragrande maggioranza dei casi. La rete neurale fu leggermente più accurata nel complesso, ottenendo la risposta corretta in quasi ogni istanza, mentre il modello XGBoost fu anch'esso altamente efficace, mancando solo pochi casi. Entrambi questi strumenti avanzati superarono significativamente un metodo statistico tradizionale, che, pur essendo ancora buono, era meno preciso.

Forse più importante dei punteggi grezzi fu ciò che i computer rivelarono ai ricercatori riguardo alle cause di morte. Quando la variabile fu diminuita, i modelli identificarono un nuovo insieme di fattori che guidavano il rischio di mortalità materna. Il predittore più potente fu l'eclampsia, una condizione pericolosa che comporta convulsioni durante la gravidanza. A seguire vennero il metodo utilizzato per il parto, il numero di gravidanze precedenti, il numero totale di gravidanze e il reddito familiare della madre. Questi risultati si allineavano perfettamente con quanto i medici esperti già sapevano sui pericoli della gravidanza, dando ai ricercatori la fiducia che i loro modelli stessero imparando verità mediche reali piuttosto che limitarsi a memorizzare anomalie dei dati. I modelli catturarono con successo i modi complessi in cui questi fattori lavorano insieme, dimostrando che il rischio di una donna non riguarda solo una cosa, ma è una combinazione della sua storia medica, delle circostanze del parto e delle sue circostanze sociali.

Nonostante questi risultati impressionanti, i ricercatori furono cauti nel non dichiarare risolto il problema. Notarono che il dataset era piuttosto piccolo, contenente solo 158 record, e che l'alta accuratezza potrebbe essere dovuta anche al fatto che il computer aveva imparato troppo bene i pattern specifici di questo piccolo gruppo di donne. È possibile che, se i modelli fossero stati testati su un gruppo completamente diverso di donne provenienti da un altro ospedale o da una città diversa, le loro prestazioni potrebbero diminuire. Lo studio funge da forte prova di concetto, mostrando che questi strumenti digitali possono trovare schemi significativi nei dati locali, ma non è ancora una soluzione definitiva pronta per l'uso immediato in ogni clinica. I ricercatori sottolinearono che prima che questi strumenti possano essere affidati a decisioni di vita o di morte in un ospedale, devono essere testati su gruppi di persone molto più ampi e validati in contesti differenti.

Lo studio conclude che, sebbene l'intelligenza artificiale offra grandi promesse per aiutare i medici nelle aree a risorse limitate e colpite dai conflitti nell'identificare precocemente le gravidanze ad alto rischio, essa deve essere utilizzata con cautela e umiltà. La tecnologia è potente, ma è valida solo quanto i dati che le vengono forniti e l'attenzione prestata per garantire che tali dati siano onesti e completi. Per le donne di Maiduguri, la strada da seguire non consiste solo nell'adottare nuove tecnologie, ma anche nel migliorare il modo in cui vengono tenuti i registri medici e nell'assicurarsi che le informazioni registrate siano realmente indipendenti dall'esito. Con migliori dati e ulteriori test, strumenti come le reti neurali e il boosting del gradiente potrebbero diventare partner vitali per gli operatori sanitari, aiutandoli ad allocare le scarse risorse alle madri che ne hanno più bisogno, salvando potenzialmente vite in alcuni degli ambienti più difficili del mondo.