Neues Tool zur Vorhersage von Problemen beim Fetalwachstum

Fetales Wachstumsrestriktion (FGR) und klein für das Gestationsalter (SGA) sind Begriffe, die ein ähnliches Gesundheitsproblem in der Schwangerschaft beschreiben. Dieses Problem kann zu ernsthaften Folgen führen, wie der zweithäufigsten Ursache für vermeidbare Todesfälle während und kurz nach der Geburt. Effektive Wege zu finden, um FGR und SGA zu erkennen und zu verhindern, ist wichtig, um die Gesundheit für Mütter und ihre Babys zu verbessern.

FGR kann zu Babys mit niedrigem Geburtsgewicht führen, was mit höheren Sterberisiken für Neugeborene verbunden ist. Frühere Statistiken haben gezeigt, dass weltweit etwa 20 bis 30 von 1000 Babys, die 2013 geboren wurden, im ersten Lebensmonat starben. Babys mit niedrigem Geburtsgewicht benötigen oft spezialisierte Pflege auf neonatologischen Intensivstationen, was teuer und oft in vielen Regionen begrenzt ist. Daher könnte die Verhinderung von FGR und SGA nicht nur Leben retten, sondern auch die Kosten für Gesundheitssysteme senken.

Es gibt mehrere effektive Strategien zur Verhinderung von FGR und SGA. Diese Strategien erfordern jedoch gute Methoden zur Identifizierung von Risikoschwangerschaften. Leider sind viele derzeit verwendete Vorhersagemethoden nicht überall verfügbar, insbesondere in weniger wohlhabenden Regionen.

#Aktuelle Herausforderungen bei der Identifizierung von FGR und SGA

Eine kostengünstige Methode zur Vorhersage von FGR, wie das Messen des Abstands vom Schambein einer schwangeren Frau bis zur Oberseite ihrer Gebärmutter, wird nicht empfohlen, weil sie nicht sehr zuverlässig ist. Das hat dazu geführt, dass Gesundheitsdienstleister auf Methoden wie Ultraschall oder Blutuntersuchungen zurückgreifen, die in ressourcenärmeren Gebieten schwieriger zugänglich sein können.

Forschung hat gezeigt, dass die Medizinische Vorgeschichte einer Frau helfen kann, mögliche Fälle von FGR und SGA zu identifizieren. Da die Datenbanken der Krankenversicherungen umfassende Aufzeichnungen über medizinische Vorgeschichten führen, könnten sie potenziell verwendet werden, um diese Probleme proaktiv zu screenen, insbesondere an Orten mit universeller Gesundheitsversorgung. Das Screening basierend auf der medizinischen Vorgeschichte kann einen Vorteil bieten, da es nicht von der Anzahl der Arztbesuche einer Frau abhängt.

Trotz dieses Potenzials wurde wenig unternommen, um ein Screening-Tool zu entwickeln, das ausschliesslich die medizinische Vorgeschichte zur Vorhersage von FGR und SGA nutzt.

#Ziel dieser Studie

Diese Studie hatte das Ziel, ein Vorhersagemodell zu erstellen, das nur die medizinische Vorgeschichte verwendet, um FGR und SGA zu screenen. Dieses Tool wäre in ressourcenärmeren Gebieten nützlich und könnte als erste Methode dienen, bevor komplexere Tests wie Ultraschall eingesetzt werden.

#Datenquellen und Methoden

Um diese Studie durchzuführen, schauten die Forscher sich eine öffentliche Krankenversicherungsdatenbank in Indonesien an. Sie konzentrierten sich auf Frauen im Alter von 12 bis 55 Jahren, die medizinische Einrichtungen aufsuchten. Die Studie analysierte Daten bis 2016 und umfasste eine zufällige Stichprobe von etwa 1 % der Versicherten.

Die Forscher schlossen nur die Besuche von schwangeren Frauen ein und nahmen keine Besuche im Zusammenhang mit der Geburt auf. Hatte eine Frau mehrere Schwangerschaften in den Daten, wurden separate Kennungen verwendet. Die Forscher definierten Fälle von FGR und SGA anhand spezifischer medizinischer Codes, die Wachstumsprobleme bei Föten und Neugeborenen identifizierten.

Sie berücksichtigten nur die medizinischen Vorgeschichten zu Diagnosen und Verfahren als Prädiktoren für FGR und SGA. Nach sorgfältiger Datenverarbeitung identifizierten sie 54 potenzielle Prädiktoren basierend auf medizinischen Codes für verschiedene Gesundheitszustände.

#Entwicklung von Vorhersagemodellen

Die Forscher entwickelten fünf verschiedene Vorhersagemodelle unter Verwendung verschiedener Methoden. Die Modelle beinhalteten Techniken wie Ridge Regression, Elastic Net Regression, Random Forest, Gradient Boosting Machine und ein Deep-Insight-visuelles neuronales Netzwerk.

Sie wollten ein Modell finden, das FGR oder SGA mit guter Genauigkeit erkennen kann, und suchten speziell nach einem Gleichgewicht zwischen Sensitivität und Spezifität. Sie verglichen ihre Modelle auch mit bestehenden Vorhersagemodellen aus früheren Studien, um deren Effektivität zu prüfen.

#Analyse der Ergebnisse

Das Team bewertete seine Modelle anhand verschiedener Massstäbe, einschliesslich wie gut die Vorhersagen mit den tatsächlichen Ergebnissen übereinstimmten. Sie prüften die Zuverlässigkeit der Modelle durch verschiedene statistische Werkzeuge. Sie überprüften die Fähigkeit der Modelle, korrekte Vorhersagen zu treffen, und berechneten zugleich die potenziellen Vorteile der Verwendung dieser Modelle in klinischen Settings.

Sie fanden heraus, dass drei der fünf Modelle effektiv waren, um FGR und SGA vorherzusagen, insbesondere das Modell der Gradient Boosting Machine. Unter diesen war das am besten abschneidende Modell das Deep-Insight-visible-neuronale Netzwerk, welches ein gutes Gleichgewicht zwischen der Vorhersage von wahren Positiven und wahren Negativen zeigte.

#Klinische Nützlichkeit und Erklärbarkeit

Die Forscher bewerteten, wie nützlich ihre Vorhersagemodelle im Vergleich dazu waren, alle Vorhersagen als positiv oder negativ zu betrachten. Das Deep-Insight-Modell bot die beste klinische Nützlichkeit, was bedeutete, dass es höhere Nettovorteile für Vorhersagen im Vergleich zu einfacheren oder traditionelleren Methoden zeigte.

Wichtig war, dass Kliniker involviert waren, um zu beurteilen, wie erklärbar das Modell war. Sie schauten sich an, wie Veränderungen bestimmter Gesundheitsfaktoren die Vorhersagen des Modells beeinflussen könnten.

#Leistung im Vergleich zu früheren Studien

Die Forscher verglichen ihr bestes Modell mit vorherigen, die in systematischen Reviews identifiziert wurden. Obwohl einige frühere Modelle fortschrittlichere Werkzeuge wie Ultraschall verwendeten, bot das Deep-Insight-Modell einen einzigartigen Vorteil, da es ausschliesslich auf der medizinischen Vorgeschichte basierte, was es breiteren Bevölkerungsgruppen zugänglicher machte, insbesondere in ressourcenarmen Umgebungen.

#Einsatz des Vorhersagetools

Sobald das beste Modell identifiziert war, wurde es in eine Webanwendung verwandelt. Dieses Tool ermöglicht es Gesundheitsdienstleistern, die medizinische Vorgeschichte einer Frau einzugeben, um das Risiko von FGR oder SGA vorherzusagen. Das System ist benutzerfreundlich gestaltet und steht Gesundheitsfachkräften zur weiteren Bewertung risikobehafteter Schwangerschaften zur Verfügung.

#Auswirkungen und zukünftige Richtung

Die Studie hat die Machbarkeit gezeigt, medizinische Vorgeschichten zur Vorhersage von FGR und SGA zu nutzen. Dieser Ansatz kann den Prozess der Identifizierung von Risikoschwangerschaften erheblich rationalisieren, ohne dass fortschrittliche Technologie benötigt wird, was die Implementierung in verschiedenen Gesundheitseinrichtungen erleichtert.

Die Forscher wiesen jedoch auf mehrere Einschränkungen hin, darunter moderate Vorhersagegenauigkeit und potenzielle Zeitbeschränkungen beim Abrufen medizinischer Vorgeschichten. Sie betonten die Notwendigkeit weiterer Studien, um den Einfluss des Tools auf die Verbesserung der Patientenergebnisse zu klären.

Zusammenfassend bietet die Studie eine vielversprechende neue Methode zur Vorhersage von fetalen Wachstumsproblemen unter Verwendung zugänglicher Daten. Sie öffnet die Tür für bessere präventive Gesundheitsentscheidungen für Mütter und ihre Babys, insbesondere in Regionen mit begrenzten Ressourcen, und legt gleichzeitig den Grundstein für zukünftige Forschung und Studien.