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

Zwangerschap is een ingrijpende fysiologische gebeurtenis die fungeert als een rigoureuze stresstest voor het hart en de stofwisseling van een vrouw. Tijdens deze negen maanden moet het lichaam een verhoogd bloedvolume, verschuivende hormoonspiegels en de metabole eisen van een groeiende foetus beheren. Voor velen verloopt dit proces soepel, maar voor anderen brengt het onderliggende kwetsbaarheden aan het licht. Condities zoals een hoge bloeddruk, een onregelmatige bloedsuikerspiegel en lage ijzerwaarden in het bloed kunnen ontstaan of verergeren, wat een complex web van risico's creëert dat zowel de moeder als de baby bedreigt. Deze complicaties zijn geen geïsoleerde gebeurtenissen; ze zijn vaak met elkaar verbonden en hun aanwezigheid kan wijzen op een grotere waarschijnlijkheid van moeilijke bevallingen, vroeggeboorte of langetermijngezondheidsproblemen voor de moeder later in haar leven. Het vroegtijdig identificeren van deze risico's stelt artsen in staat om in te grijpen, nauwer te monitoren en de zorg af te stemmen om ernstige uitkomsten te voorkomen.

Decennialang hebben medische professionals vertrouwd op specifieke drempelwaarden en individuele indicatoren om deze gevaren op te sporen. Een bloeddrukmeting boven een bepaalde waarde of een glucosewaarde buiten een normaal bereik triggert een waarschuwing. De menselijke biologie volgt echter niet altijd eenvoudige, lineaire regels. De interactie tussen de leeftijd van een vrouw, haar gewichtstoename, haar geschiedenis van eerdere zwangerschappen en haar huidige vitale functies creëert een patroon dat moeilijk te vangen is met een simpele checklist. Deze complexiteit heeft onderzoekers ertoe gebracht om te onderzoeken of computers kunnen leren om deze subtiele, niet-lineaire patronen beter te herkennen dan traditionele methoden. De hoop is dat door enorme hoeveelheden klinische gegevens in geavanceerde algoritmen te voeden, machines kunnen voorspellen wie het meeste risico loopt, zelfs voordat symptomen duidelijk zichtbaar worden.

Een recente studie zette dit idee uit met behulp van twee verschillende benaderingen: traditioneel machine learning en de nieuwere, meer conversatiegerichte grote taalmodellen. De onderzoekers begonnen met het verzamelen van gegevens uit twee publiek beschikbare collecties medische dossiers voor de moederzorg. Eén dataset bevatte algemene informatie over zwangere vrouwen, terwijl de andere zich specifiek richtte op een aandoening genaamd pre-eclampsie, een ernstige stoornis waarbij sprake is van een hoge bloeddruk. Om deze twee verschillende bronnen samen te laten werken, moest het team hun variabelen naar een gemeenschappelijke taal vertalen. Ze stemden metingen zoals bloeddruk, hemoglobinespiegels en zwangerschapsleeftijd op elkaar af, zodat een meting in de ene dataset hetzelfde betekende als in de andere. Ze standaardiseerden ook de risicolabels door vrouwen in laag-, midden- en hoogrisicocategorieën in te delen op basis van hun bestaande medische dossiers.

De eerste fase van het onderzoek bestond uit het trainen van een reeks computermodellen op de eerste dataset. Deze modellen hadden de taak om naar het klinische profiel van een vrouw te kijken en haar risicocategorie te voorspellen. De onderzoekers testten verschillende soorten algoritmen, waaronder beslisbomen en support vector machines, om te zien welk model de patronen het meest effectief leerde. Eén model, bekend als HistGradientBoosting, kwam als de sterkste presteerder uit de bus. Wanneer het werd getest tegen de data die het had geleerd, identificeerde het correct het risiconiveau in bijna 8rend van de gevallen. Het vertoonde een sterke interne discriminatie bij het scheiden van hoogrisicopatiënten van de rest, met een area under the receiver operating characteristic curve van 0,989 en een area under the precision-recall curve van ongeveer 0,974. Het model identificeerde ook welke factoren het belangrijkst waren, waarbij het benadrukte dat de afstand tot een ziekenhuis, de bloedglucosewaarden en de gewichtstoename tijdens de zwangerschap cruciale drijfveren waren in zijn beslissingen.

Echter, de echte test voor elk medisch voorspellingsinstrument is niet hoe goed het werkt op de data waarop het getraind is, maar hoe goed het werkt op nieuwe, ongeziene data. Dit is waar de studie een kritieke wending nam. De onderzoekers namen hun best presterende model en pasten dit direct toe op de tweede dataset, die afkomstig was van een andere bron en andere patiënten bevatte. Ze trainden het model niet opnieuw of pasten de instellingen niet aan; ze vroegen het simpelweg om voorspellingen te doen op basis van de zes variabelen die beide datasets deelden. De resultaten waren schokkend anders. De nauwkeurigheid van het model daalde aanzienlijk en classificeerde slechts ongeveer 39 procent van de gevallen correct. Nog verontrustender was dat het geen enkele vrouw identificeerde die daadwerkelijk een hoog risico liep in deze nieuwe groep. In plaats daarvan bestempelde het alle 26 hoogrisicovrouwen als laag- of middenrisico. Dit falen suggereerde dat de patronen die het model had geleerd specif kind waren aan de eerste groep patiënten en niet vertaalbaar waren naar de tweede groep, waarschijnlijk omdat de twee groepen fundamenteel verschilden, zoals de gemiddelde leeftijd van de moeders of de timing van hun bloedtesten.

In het besef dat traditionele modellen zouden kunnen worstelen met dit gebrek aan generaliseerbaarheid, richtten de onderzoekers zich op grote taalmodellen. Dit zijn dezelfde soorten kunstmatige intelligentiesystemen die essays kunnen schrijven, vragen kunnen beantwoorden en gesprekken kunnen voeren. Het team zette de gestructureerde medische dossiers om in eenvoudige Engelse narratieven, waarin de geschiedenis en de huidige conditie van elke patiënt in een paar zinnen werd beschreven. Vervolgens vroegen ze aan twee verschillende taalmodellen, DeepSeek en Qwen, om deze verhalen te lezen en het risiconiveau te voorspellen. Ze probeerden verschillende methoden van prompting, waaronder het geven van voorbeelden van hoe soortgelijke problemen op te lossen voordat ze een nieuw probleem moesten oplossen. De best presterende configuratie, die gebruikmaakte van een specifiek type redeneerprompt, slaagde erin om het risiconiveau voor ongeveer 58 procent van de gevallen correct te identificeren. Hoewel dit beter was dan de prestaties van het traditionele model op de nieuwe data, was het nog lang niet perfect. Het model vertoonde een duidelijke bias: het identificeerde alle vier de hoogrisicogevallen in de kleine testgroep succesvol, maar identificeerde geen enkele van de laagrisicogevallen, waardoor het in feite ervan uitging dat iedereen ten minste enig risico liep.

De onderzoekers keken ook naar hoe deze verschillende systemen hun beslissingen uitlegden. Ze vergeleken de factoren die het traditionele machine learning-model als belangrijk beschouwde met de trefwoorden die de taalmodellen in hun geschreven verklaringen gebruikten. Beide systemen waren het erover eens dat bloeddruk, bloedsuiker en hemoglobinespiegels cruciale indicatoren van risico waren. Ze verschilden echter op andere punten. Het traditionele model hechtte aanzienlijk gewicht aan de afstand die een patiënt tot een ziekenhuis aflegde en hoeveel gewicht zij tijdens de zwangerschap had aangekomen, waarschijnlijk omdat dit sterke statistische signalen in de data waren. De taalmodellen richtten zich daarentegen zelden op deze logistieke en fysieke factoren. In plaats daarvan focusten ze zwaarder op de medische voorgeschiedenis van een patiënt en eerdere complicaties, waarbij ze putten uit de klinische kennis die in hun training is ingebed. Dit verschil benadrukt de kloof tussen wat de data statistisch suggereert en wat de modellen klinisch plausibel vinden.

De studie concludeert dat hoewel deze instrumenten veelbelovend zijn, ze nog niet klaar zijn voor klinisch gebruik. Het traditionele machine learning-model presteerde goed binnen de omgeving waarvoor het gebouwd was, maar kon zich niet aanpassen aan een nieuwe populatie, een veelvoorkomende hindernis in medische kunstmatige intelligentie. De grote taalmodellen toonden een vermogen om patiëntendossiers te lezen en menselijk leesbare verklaringen te genereren, maar hun voorspellingen waren instabiel en gevoelig voor bias. De onderzoekers benadrukken dat de waarde van dit werk niet ligt in het produceren van één perfecte voorspeller, maar in het demonstreren van de moeilijkheid om een model van de ene dataset naar de andere te verplaatsen. Ze suggereren dat voor deze technologieën nuttig te worden in echte ziekenhuizen, ze getest moeten worden op veel grotere, diversere patiëntengroepen en gevalideerd moeten worden tegen werkelijke gezondheidsuitkomsten in plaats van alleen tegen bestaande labels. Tot die tijd blijven deze systemen experimentele instrumenten die informatie kunnen organiseren en mogelijkheden kunnen suggereren, maar die de oordeelsvorming van een clinicus nog niet kunnen vervangen.