Machine learning, identificare i possibili fattori di rischio per stroke ischemico arterioso perinatale
Uno studio dimostra le potenzialità di un approccio basato sull’intelligenza artificiale per stratificare il rischio nei neonati
L’ictus ischemico arterioso perinatale (PAIS) è una lesione cerebrale vascolare focale che si presume si verifichi tra il periodo fetale e i primi 28 giorni di vita e rappresenta la principale causa di paralisi cerebrale emiparetica. Per questa grave condizione in passato sono stati chiamati in causa diversi fattori materni, intrapartum, del parto e fetali, ma gli studi sono limitati dalle dimensioni modeste dei campioni e dalle complesse interazioni tra i fattori. Ora la questione è stata affrontata da un team di ricercatori dell’Università di Calgary, in Canada, in uno studio pubblicato su “Neurology” che ha utilizzato approcci di apprendimento automatico su grandi serie di dati sul PAIS.
Per identificare potenziali predittori di PAIS sono stati utilizzati elementi di dati comuni provenienti da tre registri canadesi con pazienti affetti da PAIS. I criteri di inclusione erano la nascita a termine e il PAIS idiopatico. I dati relativi a fattori materni/gravidanza, intrapartum e neonatali sono stati raccolti tra gennaio 2003 e marzo 2020.
Gli elementi comuni dei dati sono stati inseriti in una pipeline di apprendimento automatico random forest validata per identificare le caratteristiche predittive più elevate e sviluppare un modello predittivo. Le analisi univariate sono state completate post hoc per valutare la relazione tra ciascun fattore predittivo e l’esito.
È stato sviluppato un modello di apprendimento automatico utilizzando i dati di 2.571 neonati, tra cui 527 casi (20%) e 2.044 controlli (80%). Con una media di 21 caratteristiche selezionate, l’approccio di apprendimento automatico ha previsto l’esito con un’accuratezza bilanciata dell’86,5% circa. I fattori selezionati a priori sono stati l’età materna, l’esposizione a sostanze ricreative, l’esposizione al tabacco, la febbre materna intrapartum e il basso punteggio Apgar a 5 minuti.
Altre variabili identificate attraverso il machine learning sono state l’esposizione all’alcol in utero, l’infertilità, l’aborto spontaneo, la prima gravidanza, il meconio, il parto vaginale spontaneo, la circonferenza cranica neonatale e il punteggio Apgar a 1 minuto. Nel complesso, il modello di apprendimento automatico ha ottenuto risultati migliori (area sotto la curva [AUC]: 0,93) rispetto al modello basato sui dati in letteratura (AUC 0,73).
