Прегестационное нейросетевое прогнозирование задержки роста плода или малого к гестационному возрасту плода с последующей интенсивной терапией новорожденного
Зиядинов А.А., Новикова В.А., Радзинский В.Е.
Цель: Разработать прототип нейросетевого инструмента для прегестационной стратификации женщин высокого риска по родоразрешению плодом с задержкой роста (ЗРП) или малым к гестационному возрасту (МГВ) и необходимостью интенсивной терапии (ИТ) новорожденного и провести его апробацию.
Материалы и методы: Выполнено проспективное когортное исследование. Основная клиническая база: Перинатальный центр ГБУЗ Республики Крым «Республиканская клиническая больница им. Н.А. Семашко». Период исследования: 2018–2023 гг. В исследование включено 611 женщин с одноплодной беременностью с недостаточным ростом плода: с ЗРП (n=435) и МГВ (n=176). Прогнозирование выполняли с использованием персонального компьютера: программы Statistica 12.0, модуля Automated Neural Networks (Автоматизированные нейронные сети).
Результаты: Использование среды для автоматизированного анализа нейросетевых моделей позволило получить прототипы инструментов стратификации на прегестационном этапе женщин с риском развития недостаточного роста плода по его варианту (ЗРП или МГВ) (модель 1); необходимости ИТ новорожденного (модель 2), включая респираторную поддержку (модель 3). Данное нейросетевое прогнозирование эффективно (точность обучения, тестирования и валидации нейронных сетей до 100%) обеспечивают материнские клинико-анамнестические и социально-демографические параметры (место и постоянство жительства, образование, род работы, семейное положение; возрастные, включая отцовские), росто-весовые, особенности становления репродуктивной функции, репродуктивный опыт, масса плода в предыдущих родах, гестационный опыт, преэклампсия в предыдущую беременность, родоразрешение в анамнезе и его метод).
Заключение. Полученные нейросетевые модели демонстрируют возможность разработки инструментов, предоставляющих прогнозную клиническую и управленческую аналитику, позволяющие клиницисту в ежедневной практике на основе оценки клинико-анамнестических данных женщин обосновать выбор оптимального ведения беременности, скрининга и диагностики нарушений, своевременной маршрутизации беременных в интересах плода в учреждения соответствующего уровня.
Вклад авторов: Зиядинов А.А. – разработка концепции и дизайна исследования, анализ данных, написание текста, редактирование, утверждение рукописи для публикации; Новикова В.А. – разработка концепции и дизайна исследования, статистическая обработка данных и интерпретация результатов; Радзинский В.Е. – разработка концепции и дизайна исследования, редактирование, утверждение рукописи для публикации.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов.
Финансирование: Исследование проведено без спонсорской поддержки.
Одобрение Этического комитета: Исследование было одобрено локальным Этическим комитетом Ордена Трудового Красного Знамени Медицинский институт имени С.И. Георгиевского ФГАОУ ВО «Крымский федеральный университет имени В.И. Вернадского».
Согласие пациентов на публикацию: Пациенты подписали информированное согласие на публикацию своих данных.
Обмен исследовательскими данными: Данные, подтверждающие выводы этого исследования, доступны по запросу автора, ответственного за переписку, после одобрения ведущим исследователем.
Для цитирования: Зиядинов А.А., Новикова В.А., Радзинский В.Е. Прегестационное нейросетевое прогнозирование задержки роста плода или малого к гестационному возрасту плода с
последующей интенсивной терапией новорожденного.
Акушерство и гинекология. 2024; 10: 60-73
https://dx.doi.org/10.18565/aig.2024.124
Ключевые слова
Список литературы
- Министерство здравоохранения Российской Федерации. Клинические рекомендации. Недостаточный рост плода, требующий предоставления медицинской помощи матери (задержка роста плода). М.; 2020. 71 с.
- Hokken-Koelega A.C.S., van der Steen M., Boguszewski M.C.S., Cianfarani S., Dahlgren J., Horikawa R. et al. International Consensus Guideline on small for gestational age: etiology and management from infancy to early adulthood. Endocr. Rev. 2023; 44(3): 539-65. https://dx.doi.org/10.1210/endrev/bnad002.
- Lawn J.E., Ohuma E.O., Bradley E., Idueta L.S., Hazel E., Okwaraji Y.B. et al.; Lancet Small Vulnerable Newborn Steering Committee; WHO/UNICEF Preterm Birth Estimates Group; National Vulnerable Newborn Measurement Group; Subnational Vulnerable Newborn Measurement Group. Small babies, big risks: global estimates of prevalence and mortality for vulnerable newborns to accelerate change and improve counting. Lancet. 2023; 401(10389): 1707-19. https://dx.doi.org/10.1016/S0140-6736(23)00522-6.
- Nguyen Van S., Lobo Marques J.A., Biala T.A., Li Y. Identification of latent risk clinical attributes for children born under IUGR condition using machine learning techniques. Comput. Methods Programs Biomed. 2021; 200: 105842. https://dx.doi.org/10.1016/j.cmpb.2020.105842.
- Mutamba A.K., He X., Wang T. Therapeutic advances in overcoming intrauterine growth restriction induced metabolic syndrome. Front. Pediatr. 2023; 10: 1040742. https://dx.doi.org/10.3389/fped.2022.1040742.
- Vasilache I.-A., Scripcariu I.-S., Doroftei B., Bernad R.L., Cărăuleanu A., Socolov D. et al. Prediction of intrauterine growth restriction and preeclampsia using machine learning-based algorithms: a prospective study. Diagnostics. 2024; 14(4): 453. https://dx.doi.org/10.3390/diagnostics14040453.
- Rescinito R., Ratti M., Payedimarri A.B., Panella M. Prediction models for intrauterine growth restriction using artificial intelligence and machine learning: a systematic review and meta-analysis. Healthcare (Basel). 2023; 11(11): 1617. https://dx.doi.org/10.3390/healthcare11111617.
- Papastefanou I., Wright D., Nicolaides K.H. Competing-risks model for prediction of small-for-gestational-age neonate from maternal characteristics and medical history. Ultrasound Obstet. Gynecol. 2020; 56(2): 196-205. https://dx.doi.org/10.1002/uog.22129.
- Firatligil F.B., Sucu S.T., Tuncdemir S., Saglam E., Dereli M.L., Ozkan S. et al. Evaluation of systemic immune-inflammation index for predicting late-onset fetal growth restriction. Arch. Gynecol. Obstet. 2024; 310: 433-9. https://dx.doi.org/10.1007/s00404-024-07453-x.
- Mohammad N., Sohaila A., Rabbani U., Ahmed S., Ahmed S., Ali S.R. Maternal predictors of intrauterine growth retardation. J. Coll. Physicians Surg. Pak. 2018; 28(9): 681-5. https://dx.doi.org/10.29271/jcpsp.2018.09.681.
- Yang L., Feng L., Huang L., Li X., Qiu W., Yang K. et al. Maternal factors for intrauterine growth retardation: systematic review and meta-analysis of observational studies. Reprod. Sci. 2023; 30(6): 1737-45. https://dx.doi.org/10.1007/s43032-021-00756-3.
- Sufriyana H., Amani F.Z., Al Hajiri A.Z.Z., Wu Y.W., Su E.C. Prognosticating fetal growth restriction and small for gestational age by medical history. Stud. Health Technol. Inform. 2024; 310: 740-4. https://dx.doi.org/10.3233/SHTI231063.
- Wang Y., Shi Y., Zhang C., Su K., Hu Y., Chen L. et al. Fetal weight estimation based on deep neural network: a retrospective observational study. BMC Pregnancy Childbirth. 2023; 23(1): 560. https://dx.doi.org/10.1186/s12884-023-05819-8.
- Taeidi E., Ranjbar A., Montazeri F., Mehrnoush V., Darsareh F. Machine learning-based approach to predict intrauterine growth restriction. Cureus. 2023; 15(7): e41448. https://dx.doi.org/10.7759/cureus.41448.
- Magboo V.P.C., Magboo M.S.A. Prediction of late intrauterine growth restriction using machine learning models. Procedia Computer Science. 2022; 207(2): 1427-36. https://dx.doi.org/10.1016/j.procs.2022.09.199.
- Dapkekar P., Bhalerao A., Kawathalkar A., Vijay N. Risk factors associated with intrauterine growth restriction: a case-control study. Cureus. 2023; 15(6): e40178. https://dx.doi.org/10.7759/cureus.40178.
- Jhee J.H., Lee S., Park Y., Lee S.E., Kim Y.A., Kang S.W. et al. Prediction model development of late-onset preeclampsia using machine learning-based methods. PLoS One. 2019; 14(8): e0221202. https://dx.doi.org/10.1371/journal.pone.0221202.
- Benner M., Feyaerts D., Lopez-Rincon A., van der Heijden O.W.H., van der Hoorn M.L., Joosten I. et al. A combination of immune cell types identified through ensemble machine learning strategy detects altered profile in recurrent pregnancy loss: a pilot study. F S Sci. 2022; 3(2): 166-73. https://dx.doi.org/10.1016/j.xfss.2022.02.002.
- Hoffman M.K., Ma N., Roberts A. A machine learning algorithm for predicting maternal readmission for hypertensive disorders of pregnancy. Am. J. Obstet. Gynecol. MFM. 2021; 3(1): 100250. https://dx.doi.org/10.1016/j.ajogmf.2020.100250.
- Жуков О.Б. Черных В.Б. Искусственный интеллект в репродуктивной медицине. Андрология и генитальная хирургия. 2022; 23(4): 00-00.
- Ившин А.А., Багаудин Т.З., Гусев А.В. Искусственный интеллект на страже репродуктивного здоровья. Акушерство и гинекология. 2021; 5: 17-24.
- Буянова С.Н., Щукина Н.А., Темляков А.Ю., Глебов Т.А. Искусственный интеллект в прогнозировании наступления беременности. Российский вестник акушера-гинеколога. 2023; 23(2): 83‑7.
- Драпкина Ю.С., Макарова Н.П., Васильев Р.А., Амелин В.В., Калинина Е.А. Сравнение прогностических моделей, построенных с помощью разных методов машинного обучения, на примере прогнозирования результатов лечения бесплодия методом вспомогательных репродуктивных технологий. Акушерство и гинекология. 2024; 2: 97-105.
- Bruno V., D'Orazio M., Ticconi C., Abundo P., Riccio S., Martinelli E. et al. Machine Learning (ML) based-method applied in recurrent pregnancy loss (RPL) patients diagnostic work-up: a potential innovation in common clinical practice. Sci. Rep. 2020; 10(1): 7970. https://dx.doi.org/10.1038/s41598-020-64512-4.
- Khalifa M. Health analytics types, functions and levels: a review of literature. Stud. Health Technol. Inform. 2018; 251: 137-40.
- Kramer M.S. Socioeconomic determinants of intrauterine growth retardation. Eur. J. Clin. Nutr. 1998; 52 Suppl 1: S29-32; discussion S32-3.
- Tesfa D., Tadege M., Digssie A., Abebaw S. Intrauterine growth restriction and its associated factors in South Gondar zone hospitals, Northwest Ethiopia, 2019. Arch. Public Health. 2020; 78: 89. https://dx.doi.org/10.1186/s13690-020-00475-2.
- Suhag A., Berghella V. Intrauterine Growth Restriction (IUGR): etiology and diagnosis. Curr. Obstet. Gynecol. Rep. 2013; 2: 102-11. https://dx.doi.org/10.1007/s13669-013-0041-z.
- Успенский Ю. П., Иванов С. В., Фоминых Ю. А., Наркевич А. Н., Сегаль А.М., Гржибовский А.М. Прогнозирование развития жизнеугрожающих осложнений воспалительных заболеваний кишечника с использованием нейронных сетей: инструменты для практического здравоохранения. Экспериментальная и клиническая гастроэнтерология. 2023; 217(9): 20-33.
- Гусев А.В., Новицкий Р.Э. Технологии прогнозной аналитики в борьбе с пандемией COVID-19. Врач и информационные технологии. 2020; 4: 24-33.
Поступила 22.05.2024
Принята в печать 22.10.2024
Об авторах / Для корреспонденции
Зиядинов Арсен Аблямитович, к.м.н., доцент кафедры акушерства, гинекологии и перинатологии №1, Ордена Трудового Красного Знамени Медицинский институтим. С.И. Георгиевского КФУ им. В.И. Вернадского; врач акушер-гинеколог, Перинатальный центр Республиканской клинической больницы им. Н.А. Семашко,
295017, Россия, Республика Крым, Симферополь, ул. Семашко, д. 8, ars-en@yandex.ru
Новикова Владислава Александровна, д.м.н., профессор кафедры акушерства и гинекологии с курсом перинатологии Медицинского института, Российский университет дружбы народов Министерства науки и высшего образования России, 117198, Россия, Москва, ул. Миклухо-Маклая, д. 6, kafedra-aig@mail.ru
Радзинский Виктор Евсеевич, д.м.н., профессор, чл.-корр. РАН, заведующий кафедрой акушерства и гинекологии с курсом перинатологии Медицинского института, Российский университет дружбы народов» Министерства науки и высшего образования России, 117198, Россия, Москва, ул. Миклухо-Маклая, д. 6, kafedra-aig@mail.ru