Outils d'apprentissage automatique Signaler les prédicteurs des changements de fréquence cardiaque fœtale

Source : Getty Images

Par Shania Kennedy

05 juin 2023 - Des chercheurs ont développé des méthodes d'apprentissage automatique (ML) qui peuvent identifier avec précision les prédicteurs associés aux changements de fréquence cardiaque fœtale après une analgésie neuraxiale chez des patientes enceintes en bonne santé, selon une étude publiée le mois dernier dans BMC Pregnancy and Childbirth.

Les chercheurs ont expliqué que l'analgésie neuraxiale, une méthode d'analgésie du travail largement utilisée aux États-Unis qui comprend des techniques spinales, épidurales et spino-épidurales combinées (CSE), est associée à des modifications du rythme cardiaque fœtal.

Ces changements peuvent se résoudre d'eux-mêmes, mais une baisse significative de la fréquence cardiaque, connue sous le nom de bradycardie fœtale, peut indiquer des problèmes de santé potentiellement graves. Cependant, l'équipe de recherche a en outre noté que plusieurs facteurs peuvent augmenter la probabilité de bradycardie fœtale, ce qui rend la condition difficile à prévoir.

Pour résoudre ce problème, les chercheurs se sont tournés vers le ML. Une condition avec plusieurs variables prédictives possibles comme la bradycardie fœtale nécessite l'analyse de grandes quantités de données pour identifier les prédicteurs les plus utiles dans le cadre clinique.

Dans un article de blog discutant de leurs recherches, les auteurs de l'étude ont indiqué que la nature dynamique des modèles ML les rend bien adaptés à une telle tâche.

"Ces modèles sont particulièrement utiles pour gérer plusieurs variables prédictives avec d'innombrables interactions potentielles, ce qui peut nécessiter plus de travail pour tenir compte de l'utilisation de modèles traditionnels", écrivent les auteurs. "Les algorithmes utilisés dans cette branche de l'intelligence artificielle [IA] intègrent des variables prédictives qui peuvent ne pas être visibles par de simples connaissances de base. De plus, lorsque des méthodes d'apprentissage automatique non supervisées sont utilisées, des modèles inconnus peuvent être dévoilés."

Les algorithmes ML ne font pas non plus d'hypothèses sur la relation entre un prédicteur et un résultat, alors que les humains sont plus susceptibles de supposer que les deux ont une relation linéaire, ont expliqué les auteurs. Cela peut conduire à une meilleure précision des algorithmes ML.

Pour concevoir des modèles appropriés pour identifier les prédicteurs des changements de fréquence cardiaque fœtale, les chercheurs ont mené une analyse rétrospective de 1 077 patients en bonne santé en travail qui ont reçu une analgésie neuraxiale.

À l'aide de ces données, l'équipe de recherche a comparé les performances de quatre modèles : la régression en composantes principales, la forêt aléatoire, le modèle net élastique et la régression linéaire multiple. Pour chaque modèle, la précision et l'interprétabilité des prédictions ont été évaluées.

Les chercheurs ont découvert que le modèle de forêt aléatoire obtenait les meilleures performances en termes de précision en utilisant l'erreur quadratique moyenne (MSE), une mesure qui représente la différence moyenne entre les valeurs prédites et mesurées.

Le modèle de forêt aléatoire avait une MSE de 0,9, tandis que les trois autres modèles avaient des MSE de 42 ou plus.

L'analyse a également montré que plusieurs facteurs jouent un rôle important dans les changements de fréquence cardiaque fœtale après l'analgésie neuraxiale du travail, y compris l'indice de masse corporelle (IMC) de la mère, la durée de la première phase du travail, l'utilisation de techniques CSE pour l'analgésie neuraxiale et la quantité de bupivacaïne administrée.

Les chercheurs ont déclaré que ces découvertes ont des implications pratiques essentielles pour faire la lumière sur des problèmes médicaux mal compris. Dans le cadre de leur étude, ils ont noté qu'une approche ML a le potentiel d'accroître la sensibilisation des cliniciens aux risques liés aux modifications de la fréquence cardiaque fœtale chez les patientes enceintes en bonne santé, ce qui leur permettrait d'ajuster les plans de traitement.

D'autres chercheurs et cliniciens cherchent également à tirer parti de l'IA pour améliorer les résultats du travail et de l'accouchement.

L'année dernière, les chercheurs de la Mayo Clinic ont développé un modèle de prédiction des risques basé sur l'IA pour prévoir les risques de travail individuels des patientes enceintes associés à l'accouchement vaginal.

Le modèle utilise les données des patients recueillies à partir des évaluations cliniques les plus récentes des patients, la progression cumulée du travail depuis l'admission et les caractéristiques de base au début du travail pour indiquer les résultats potentiels de l'accouchement pour le patient et son bébé.

Les chercheurs ont indiqué que le modèle sera validé au sein des unités de travail de la Mayo Clinic.