Uno studio pubblicato su The Lancet Digital Health presenta un modello predittivo basato sul Machine Learning che migliora l’identificazione del rischio per le donne con pre-eclampsia.
La pre-eclampsia costituisce una delle principali cause di mortalità e morbilità materna su scala globale, con un’incidenza durante la gravidanza compresa tra il 2% e il 4%.
Un nuovo modello, denominato PIERS-ML, si basa sull’impiego di dati facilmente accessibili e può predire con precisione gli esiti avversi entro due giorni dalla valutazione iniziale della pre-eclampsia.
Questo modello è stato sviluppato mediante l’utilizzo di tecniche di machine learning, imputazione multipla e validazione incrociata a dieci fold su un dataset di sviluppo che includeva oltre 8.800 pazienti provenienti da 11 paesi a diverso reddito.
La capacità predittiva del modello PIERS-ML è stata valutata utilizzando l’area sotto la curva Receiver Operating Characteristic (AUROC). Rispetto al modello di regressione logistica attualmente impiegato, il PIERS-ML ha dimostrato una maggiore accuratezza, con un AUROC pari a 0,80 (intervallo di confidenza al 95% 0,76-0,84) rispetto a 0,68 (intervallo di confidenza al 95% 0,63-0,74) del modello di regressione logistica.
Questo modello è in grado di classificare le donne in categorie di rischio, che vanno dal molto basso al molto alto, con conseguenti percentuali di eventi materni avversi entro 48 ore rispettivamente dello 0%, 2%, 5%, 26% e 91%.
Inoltre, il modello PIERS-ML è stato validato utilizzando un dataset di 2.901 donne con diagnosi di pre-eclampsia presso due ospedali nel sud-est dell’Inghilterra, confermando la sua capacità di classificare accuratamente le donne in base al rischio.
Secondo gli autori dello studio, l’implementazione del modello PIERS-ML potrebbe migliorare l’identificazione delle donne con pre-eclampsia che sono a rischio di gravi eventi avversi entro due giorni dalla valutazione iniziale, fornendo così indicazioni più precise alle donne, alle loro famiglie e ai fornitori di assistenza materna.
Lo sviluppo di modelli di valutazione del rischio materno basati sul machine learning potrebbero esplorare l’inclusione di ulteriori variabili nel modello PIERS-ML per ulteriori miglioramenti nella valutazione del rischio materno.
Lo studio è stato finanziato dal Diversity in Data Linkage Centre for Doctoral Training dell’Università di Strathclyde, dalla Fetal Medicine Foundation, dai Canadian Institutes of Health Research e dalla Bill & Melinda Gates Foundation.
