Para peneliti menggunakan algoritme data rekam medis untuk memprediksi bagaimana bayi baru lahir yang berisiko dalam dua bulan pertama kehidupan mereka. Kredit: OndroM/Shutterstock.com
Dengan menyaring catatan kesehatan elektronik ibu dan bayi menggunakan algoritme pembelajaran mesin, para ilmuwan dapat memprediksi bagaimana nasib bayi baru lahir yang berisiko dalam dua bulan pertama kehidupan mereka. Metode baru memungkinkan dokter untuk mengklasifikasikan, pada atau sebelum kelahiran, bayi mana yang cenderung mengalami komplikasi prematuritas.
Sebuah studi yang menjelaskan metode tersebut, yang dikembangkan di Stanford School of Medicine, diterbitkan secara online pada 15 Februari di Science Translational Medicine.
“Ini adalah cara berpikir baru tentang kelahiran prematur, menempatkan fokus pada faktor kesehatan individu bayi yang baru lahir daripada hanya melihat seberapa awal mereka dilahirkan,” kata penulis studi senior Nima Aghaeepour, Ph.D., seorang profesor asosiasi dari anestesiologi, perioperatif dan kedokteran nyeri dan pediatri. Penulis utama studi ini adalah sarjana postdoctoral Davide De Francesco, Ph.D., dan Jonathan Reiss, MD, seorang instruktur di pediatri.
Secara tradisional didefinisikan sebagai kelahiran yang terjadi setidaknya tiga minggu lebih awal, kelahiran prematur terkait dengan komplikasi pada paru-paru, otak, penglihatan, pendengaran, dan sistem pencernaan bayi. Meskipun kelahiran lebih awal umumnya memiliki risiko yang lebih tinggi, waktu kelahiran hanya memprediksi kira-kira bagaimana nasib bayi tertentu. Beberapa bayi yang lahir cukup awal tidak mengalami komplikasi, sementara bayi lain yang lahir pada tahap kehamilan yang sama menjadi sakit parah atau meninggal.
“Kelahiran prematur adalah satu-satunya penyebab kematian terbesar pada anak di bawah usia lima tahun di seluruh dunia, dan kami belum menemukan solusi yang baik,” kata Aghaeepour. “Dengan memfokuskan penelitian kami untuk memprediksi kesehatan bayi-bayi ini, kami dapat mengoptimalkan perawatan mereka.”
Banyak komplikasi prematuritas membutuhkan waktu berhari-hari atau berminggu-minggu setelah lahir, menyebabkan kerusakan besar pada kesehatan bayi baru lahir. Mengetahui bayi mana yang berisiko dapat memungkinkan tindakan pencegahan.
“Kami melihat terutama pada bayi untuk membuat keputusan pengobatan dalam neonatologi, tetapi kami menemukan bahwa kami dapat memperoleh informasi berharga dari catatan kesehatan ibu, benar-benar merujuk pada bagaimana lintasan masing-masing bayi telah dibentuk oleh paparan lingkungan khusus ibu mereka, ” kata rekan penulis studi David Stevenson, MD, seorang ahli neonatologi di Rumah Sakit Anak Lucile Packard Stanford, profesor pediatri dan direktur Pusat Penelitian Prematuritas March of Dimes di Stanford School of Medicine.
“Ini adalah langkah menuju pengobatan presisi untuk bayi,” tambahnya.
Membaca rekam medis seperti buku
Para peneliti menghubungkan rekam medis elektronik untuk para ibu di Stanford Health Care dan untuk bayi mereka di Stanford Medicine Children’s Health, mencakup 32.354 kelahiran hidup yang terjadi antara tahun 2014 dan 2020. Rekam medis para ibu mencakup informasi dari kehamilan dan, bagi mereka yang pernah melahirkan. pasien di Stanford Medicine sebelum hamil, data kesehatan sebelum mereka hamil. Pencatatan bayi dimulai dengan informasi yang dicatat saat lahir, termasuk berat badan; tes darah; dan skor Apgar, yang dinilai di ruang bersalin satu dan lima menit setelah kelahiran. Skor Apgar menggabungkan faktor-faktor seperti denyut nadi, pernapasan, dan tonus otot bayi.
Dengan menggunakan algoritme pembelajaran mesin yang disebut jaringan saraf memori jangka pendek, para peneliti membuat model matematika dari rekam medis dan menguji apakah model tersebut dapat memprediksi 24 kemungkinan hasil kesehatan untuk bayi hingga dua bulan setelah lahir.
“Ada tantangan komputasi dalam menggunakan catatan kesehatan elektronik karena bersifat longitudinal dan berisi banyak data dari setiap pasien,” kata Aghaeepour. “Jaringan saraf memori jangka pendek beroperasi mirip dengan orang yang membaca buku. Saat kita membaca, kita tidak mengingat setiap kata, tetapi kita mengingat konsep kunci, membaca bagian selanjutnya, menambahkan lebih banyak konsep kunci dan membawa itu maju. Algoritme tidak menghafal seluruh catatan kesehatan elektronik dari setiap pasien, tetapi dapat mengingat konsep-konsep kunci dan meneruskannya ke titik di mana kami membuat prediksi.”
Pada saat lahir, model pembelajaran mesin memberikan prediksi kuat di mana bayi akan mengembangkan berbagai kondisi termasuk displasia bronkopulmoner, sejenis penyakit paru-paru kronis; retinopathy of prematurity, masalah pada retina yang dapat menyebabkan hilangnya penglihatan atau kebutaan; anemia prematuritas; dan necrotizing enterocolitis, komplikasi gastrointestinal yang parah sering tidak terdiagnosis sampai berminggu-minggu setelah kelahiran, dimana intervensi waktu menjadi kompleks dan berhubungan dengan hasil yang buruk.
Model tersebut juga memberikan prediksi yang kuat seminggu sebelum kelahiran untuk beberapa hasil termasuk kematian dan retinopati prematuritas, yang dapat menyebabkan hilangnya penglihatan atau kebutaan, serta prediksi yang cukup kuat untuk 11 kondisi lainnya.
“Saya terkejut dengan seberapa besar kekuatan prediksi yang kita miliki bahkan sebelum bayi lahir, dan tepat saat lahir,” kata Aghaeepour. “Saya tidak menyangka akan melihatnya. Saya mengira akurasi akan datang beberapa hari setelah kelahiran, setelah kami mengumpulkan data dari bayi itu.”
Beberapa komplikasi tidak diprediksi secara andal oleh model, seperti bayi mana yang akan mengalami kandidiasis, atau infeksi jamur; polisitemia, konsentrasi sel darah merah yang tinggi dalam darah; atau sindrom aspirasi mekonium, di mana bayi menghirup mekonium, zat lengket yang dikeluarkan dari usus janin, saat lahir.
Para peneliti memvalidasi bahwa kekuatan prediksi tidak berubah selama bertahun-tahun (membandingkan kelahiran dari 2014 hingga 2018 dengan kelahiran dari 2019 hingga 2020); mereka juga memvalidasi beberapa temuan menggunakan kelompok independen yang terdiri dari 12.258 pasangan ibu-bayi dari UC San Francisco.
Prediksi model saat lahir memberikan informasi yang lebih akurat daripada alat penilaian risiko yang saat ini digunakan seperti skor Apgar dan skor risiko National Institute of Child Health and Human Development. Skor ini hanya mempertimbangkan kondisi bayi saat lahir dan tidak memasukkan informasi apa pun dari riwayat kesehatan ibu, catat para peneliti. Namun, studi tambahan pada populasi yang lebih beragam diperlukan sebelum alat pembelajaran mesin ini siap menggantikan kalkulator risiko yang ada, kata para peneliti.
Masalah kesehatan ibu
Model tersebut mengungkapkan hubungan tak terduga antara kondisi kesehatan atau sosial tertentu pada ibu dan kesehatan bayi mereka, menurut para peneliti.
Misalnya, ibu dengan anemia — komplikasi kehamilan yang umum — lebih mungkin melahirkan bayi baru lahir dengan anemia. Bayi-bayi ini juga lebih mungkin mengembangkan komplikasi usus necrotizing enterocolitis, studi tersebut menemukan.
“Kita perlu mengeksplorasi hubungan apa yang menjelaskan hubungan ini pada tingkat biologis, karena ini mungkin menawarkan petunjuk bagaimana kondisi tertentu terjadi,” kata Stevenson. “Itu akan memungkinkan kita untuk campur tangan lebih baik untuk membantu anak-anak itu.”
Algoritme baru ini juga dapat menghubungkan jenis kerugian sosial ekonomi tertentu pada ibu dengan komplikasi prematuritas tertentu pada bayinya.
“Jika seorang ibu tunawisma, kami menemukan bahwa dampak kesehatan pada bayinya akan berbeda dari dampak penahanan, sedangkan menurut paradigma tradisional, kedua faktor sosial ekonomi ini mungkin dianggap memiliki efek serupa pada risiko prematuritas,” kata Aghaeepour.
Prediksi dari model dapat membantu ahli neonatologi mengidentifikasi pasien mana yang akan mendapat manfaat dari protokol yang ada untuk mencegah komplikasi kelahiran, kata Stevenson. Misalnya, bayi baru lahir yang mengalami kekurangan oksigen saat lahir sekarang dapat menerima protokol pendinginan di awal kehidupannya, yang menurunkan suhu tubuhnya selama beberapa hari untuk mencegah cedera otak. Skor prediktif dapat membantu mengidentifikasi bayi tambahan yang dapat dibantu dengan pendinginan, katanya.
Pekerjaan perlu direplikasi dalam populasi pasien yang lebih besar dan lebih beragam dan digabungkan dengan penelitian Stanford Medicine lainnya yang mencirikan kehamilan menurut ribuan biomarker yang berubah selama kehamilan, kata para ilmuwan.
Informasi lebih lanjut: Davide De Francesco et al, Karakterisasi longitudinal berbasis data kesehatan dan morbiditas neonatal, Science Translational Medicine (2023). DOI: 10.1126/scitranslmed.adc9854
Disediakan oleh Universitas Stanford
Kutipan: Data medis ibu dan bayi memprediksi komplikasi prematuritas, studi menunjukkan (2023, 16 Februari) diambil 16 Februari 2023 dari https://medicalxpress.com/news/2023-02-moms-babies-medical-prematurity-complications. html
Dokumen ini tunduk pada hak cipta. Terlepas dari kesepakatan yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.