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

Elk jaar geven miljoenen vrouwen geboorte aan, en voor de meesten eindigt het proces met een beheersbare hoeveelheid bloedverlies. Echter, voor een aanzienlijk aantal wordt dit bloedverlies excessief en levensbedreigend, een conditie die bekend staat als postpartum hemorragie (bloeding na de bevalling). Het blijft de belangrijkste oorzaak van moedersterfte wereldwijd, waarbij jaarlijks duizenden levens worden opgeëist. De medische uitdaging ligt in de onvoorspelbaarheid van de gebeurtenis; hoewel artsen brede risicogroepen kunnen identificeren, worstelen zij ermee om precies te bepalen welke individuele vrouw een gevaarlijke bloeding zal ervaren voordat het gebeurt. Om dit gat te overbruggen, hebben onderzoekers zich gericht op machine learning, een tak van kunstmatige intelligentie waarbij computers leren patronen te vinden in enorme hoeveelheden data. De hoop is dat door een computer duizenden details over de gezondheid van een moeder, haar zwangerschap en haar bloedwaarden te voeden, de machine subtiele waarschuwingssignalen kan opmerken die menselijke artsen missen, wat zorgt voor eerdere en meer precieze interventie mogelijk maakt.

Een team onderzoekers in Iran zette zich in om te testen of deze computermodellen succesvol postpartum hemorragie konden voorspellen met behulp van real-world data van twee grote ziekenhuizen in Teheran. Ze verzamelden informatie van 604 vrouwen die een kind hadden gekregen, waarbij een breed scala aan details werd verzameld, waaronder hun leeftijd, medische geschiedenis, de methode van bevalling en specifieke laboratoriumresultaten die direct na de bevalling werden genomen. De onderzoekers waren bijzonder geïnteresseerd in markers zoals serumlactaat, een stof in het bloed die stijgt wanneer het lichaam onder stress staat of niet genoeg zuurstof krijgt, evenals de niveaus van fibrinogeen, een eiwit dat essentieel is voor de bloedstolling. Ze verdeelden de deelnemers in twee groepen: degenen die een hemorragie ervoeren en degenen die dat niet deden, en gebruikten vervolgens diverse machine learning-algoritmen om te zien of de data betrouwbaar onderscheid kon maken tussen de twee groepen voordat de bloeding optrad.

De studie onthulde dat bepaalde factoren inderdaad verbonden waren aan het optreden van hemorragie. De onderzoekers vonden dat vrouwen die een postpartum hemorragie ervoeren, significant hogere niveaus van serumlactaat hadden vergeleken met degenen die dat niet hadden. Ze observeerden ook dat de conditie vaker voorkwam bij vrouwen met preeclampsie, een complicatie tijdens de zwangerschap die gepaard gaat met een hoge bloeddruk, en minder vaak voorkwam bij vrouwen die voortijdig waren bevallen of een geschiedenis hadden van eerdere keizersneden. Deze bevindingen komen overeen met het idee dat de fysiologische reactie van het lichaam en het vermogen om bloed te stollen centraal staan bij het probleem. De data toonden een duidelijke connectie tussen deze specifieke biologische markers en de uitkomst, wat suggereert dat het lichaam meetbare signalen afgeeft wanneer het op weg is naar een hemorragische crisis.

Echter, toen de onderzoekers de machine learning-modellen vroegen om deze signalen te gebruiken om de gebeurtenis te voorspellen, waren de resultaten veel minder bemoedigend. Ondanks de duidelijke verbanden die in de ruwe data werden gevonden, slaagden de computermodellen er niet in om accuraat te identificeren welke vrouwen een hemorragie zouden ontwikkelen. Het best presterende model, een statistische methode genaamd logistische regressie, slaagde erin de risico's iets beter te rangschikken dan bij toeval, maar miste bijna elk daadwerkelijk geval van hemorragie. In praktische zin waren de modellen zo voorzichtig dat ze bijna elke vrouw als veilig bestempelden, waardoor ze effectief de weinigen die daadwerkelijk risico liepen, negeerden. Andere complexe algoritmen, inclusief de algoritmen die ontworpen zijn om ingewikkelde patronen te vinden, presteerden niet beter en faalden vaak in het detecteren van zelfs maar één enkel geval van hemorragie, terwijl ze het overgrote deel van de vrouwen die gezond bleven correct identificeerden.

De onderzoekers concludeerden dat hoewel de gemeten biologische markers sterk gerelateerd zijn aan postpartum hemorragie, ze op zichzelf niet voldoende zijn om een betrouwbaar voorspellingsinstrument op te bouwen. De computermodellen konden de connectie in de cijfers wel zien, maar konden die connectie niet vertalen naar een nuttig waarschuwingssysteem voor individuele patiënten. Dit benadrukt een moeilijke realiteit in de medische wetenschap: het vinden van een correlatie tussen een symptoom en een ziekte betekent niet automatisch dat een computer de ziekte kan voorspellen voordat deze plaatsvindt. De studie suggereert dat hoewel deze laboratoriumtesten waardevol zijn voor het begrijpen van wat er tijdens of onmiddellijk na een hemorragie met een patiënt gebeurt, ze mogelijk niet de sleutel zijn om het te stoppen voordat het begint. De weg naar een werkend voorspellingssysteem vereist waarschijnlijk meer data, verschillende soorten informatie, en misschien een betere manier om om te gaan met het feit dat ernstige hemorragieën zeldzame gebeurtenissen zijn in vergelijking met normale bevallingen.