به گزارش بهداشت نیوز، دیابت بارداری به معنای بالا بودن قند خون که برای اولین بار در دوران بارداری تشخیص داده میشود - بخش قابل توجهی از مادران باردار را تحت تأثیر قرار میدهد و در صورت عدم تشخیص زودهنگام میتواند منجر به عوارضی برای مادر و جنین شود. دستورالعملهای بالینی فعلی معمولاً دیابت بارداری را در سه ماهه دوم (حدود هفتههای ۲۴ تا ۲۸) غربالگری میکنند که ممکن است برای جلوگیری از اثرات نامطلوب اولیه بر رشد جنین خیلی دیر باشد.
برای رفع این شکاف، محققان سوابق پزشکی زنان بارداری را که بین سالهای ۲۰۲۰ تا ۲۰۲۲ به مرکز بهداشت باروری بیمارستان ولیعصر تهران مراجعه کرده بودند، جمعآوری و تجزیه و تحلیل کردند. این مطالعه با استفاده از دادههای جمعیتشناختی، سابقه پزشکی و یافتههای بالینی اولیه، شش مدل مختلف یادگیری ماشین را برای شناسایی خطر ابتلا به دیابت بارداری در سه ماهه اول توسعه و آزمایش کرد.
مدلهای یادگیری ماشینی که آزمایش شدند
این مطالعه شش تکنیک محبوب یادگیری ماشینی را ارزیابی کرد:
- درخت تصمیم (DT)
- پرسپترون چندلایه (MLP)
- k-نزدیکترین همسایهها (KNN)
- بیز ساده (NB)
- جنگل تصادفی (RF)
- تقویت گرادیان شدید (XGBoost)
عملکرد با استفاده از معیارهای استاندارد مانند دقت، صحت، یادآوری (حساسیت) و مساحت زیر منحنی مشخصه عملکرد گیرنده (AUC) اندازهگیری شد.
یافتههای کلیدی
در میان همه مدلها، الگوریتم جنگل تصادفی (RF) به عنوان بهترین عملکرد ظاهر شد:
- صحت ۸۹ درصد
- دقت ۸۶ درصد
- بازیابی ۹۲ درصد
- سطح زیر منحنی (AUC) ۹۴ درصد
این نتایج بر اساس نتایج آزمایش تحمل گلوکز بود که نشان میدهد مدلهای RF در شناسایی موارد واقعی دیابت بارداری از دادههای اولیه بسیار مؤثر بودند.
هنگام استفاده از مدلسازی مبتنی بر مصرف انسولینRF همچنان از سایر الگوریتمها عملکرد بهتری داشت، اگرچه معیارهای عملکرد متوسطتری (حدود 60 تا 63 درصد در بین معیارها) داشت.
پیامدهای بالینی
محققان پیشنهاد میکنند که ادغام ابزارهای پیشبینی مبتنی بر یادگیری ماشین - بهویژه مدلهای جنگل تصادفی - در سیستمهای پرونده سلامت الکترونیکی میتواند به متخصصان زنان و زایمان در شناسایی بارداریهای پرخطر زودتر از آنچه استانداردهای فعلی اجازه میدهند، کمک کند. شناسایی زودهنگام، فرصتهایی را برای مداخلات هدفمند و تنظیم سبک زندگی فراهم میکند که ممکن است پیامدهای کوتاهمدت و بلندمدت سلامت را برای مادران و نوزادان بهبود بخشد.
در حالی که اعتبارسنجی بیشتر در محیطهای بالینی گستردهتر مورد نیاز است، این مطالعه گامی مهم در جهت استفاده از هوش مصنوعی برای افزایش مراقبتهای دوران بارداری و پزشکی پیشگیرانه است.
