Ferramentas de aprendizado de máquina sinalizam preditores de alterações da frequência cardíaca fetal

Fonte: Getty Images

Por Shania Kennedy

05 de junho de 2023 - Pesquisadores desenvolveram métodos de aprendizado de máquina (ML) que podem identificar com precisão preditores associados a alterações da frequência cardíaca fetal após analgesia neuraxial em pacientes grávidas saudáveis, de acordo com um estudo publicado no mês passado na BMC Pregnancy and Childbirth.

Os pesquisadores explicaram que a analgesia neuraxial, um método de analgesia de parto amplamente utilizado nos Estados Unidos, que inclui técnicas espinhal, epidural e combinada espinhal-peridural (CSE), está associada a alterações na frequência cardíaca fetal.

Essas alterações podem resolver por conta própria, mas uma queda significativa na frequência cardíaca, conhecida como bradicardia fetal, pode indicar problemas de saúde potencialmente graves. No entanto, a equipe de pesquisa observou ainda que vários fatores podem aumentar a probabilidade de bradicardia fetal, tornando a condição difícil de prever.

Para resolver isso, os pesquisadores recorreram ao ML. Uma condição com várias variáveis ​​preditoras possíveis, como a bradicardia fetal, requer a análise de grandes quantidades de dados para identificar quais preditores são mais úteis no cenário clínico.

Em uma postagem no blog discutindo suas pesquisas, os autores do estudo indicaram que a natureza dinâmica dos modelos de ML os torna adequados para essa tarefa.

“Esses modelos são particularmente úteis para gerenciar múltiplas variáveis ​​de previsão com inúmeras interações potenciais, o que pode exigir mais trabalho para explicar o uso de modelos tradicionais”, escrevem os autores. "Os algoritmos usados ​​neste ramo da inteligência artificial [AI] incorporam variáveis ​​de previsão que podem não ser visíveis por mero conhecimento prévio. Além disso, quando métodos de aprendizado de máquina não supervisionados são usados, padrões desconhecidos podem ser revelados."

Os algoritmos de ML também não fazem suposições sobre a relação entre um preditor e um resultado, enquanto os humanos são mais propensos a assumir que os dois têm uma relação linear, explicaram os autores. Isso pode levar a uma maior precisão entre os algoritmos de ML.

Para projetar modelos apropriados para identificar preditores de alterações da frequência cardíaca fetal, os pesquisadores conduziram uma análise retrospectiva de 1.077 pacientes saudáveis ​​em trabalho de parto que receberam analgesia neuraxial.

Usando esses dados, a equipe de pesquisa comparou o desempenho de quatro modelos: regressão de componentes principais, floresta aleatória, modelo de rede elástica e regressão linear múltipla. Para cada modelo, a precisão da predição e a interpretabilidade foram avaliadas.

Os pesquisadores descobriram que o modelo de floresta aleatória obteve o melhor desempenho em termos de precisão usando o erro quadrático médio (MSE), uma medida que representa a diferença média entre os valores previstos e medidos.

O modelo de floresta aleatória teve um MSE de 0,9, enquanto os outros três modelos tiveram MSEs de 42 ou mais.

A análise também mostrou que múltiplos fatores desempenham um papel significativo nas alterações da frequência cardíaca fetal após analgesia de parto neuraxial, incluindo o índice de massa corporal (IMC) da mãe, a duração do primeiro estágio do trabalho de parto, o uso de técnicas CSE para analgesia neuraxial e a quantidade de bupivacaína administrada.

Os pesquisadores afirmaram que essas descobertas têm implicações práticas importantes para esclarecer problemas médicos mal compreendidos. No contexto de seu estudo, eles observaram que uma abordagem de ML tem o potencial de aumentar a conscientização dos médicos sobre os riscos relacionados às alterações da frequência cardíaca fetal em gestantes saudáveis, o que lhes permitiria ajustar os planos de tratamento.

Outros pesquisadores e médicos também estão buscando alavancar a IA para melhorar os resultados do trabalho de parto e do parto.

No ano passado, os pesquisadores da Mayo Clinic desenvolveram um modelo de previsão de risco baseado em IA para prever os riscos individuais de trabalho de parto de pacientes grávidas associados ao parto vaginal.

O modelo usa os dados do paciente coletados das avaliações clínicas mais recentes dos pacientes, o progresso cumulativo do trabalho de parto desde a admissão e as características basais no início do trabalho de parto para indicar os possíveis resultados do parto para o paciente e seu bebê.