DOI: https://doi.org/10.1186/s12884-025-07313-9
PMID: https://pubmed.ncbi.nlm.nih.gov/39966775
تاريخ النشر: 2025-02-18
المؤلف: Sanaz Safarzadeh وآخرون
الموضوع الرئيسي: رعاية صحة جلد حديثي الولادة
نظرة عامة
تدرس الدراسة العوامل المتنبئة بالاتصال الجلدي (SSC) باستخدام تقنيات التعلم الآلي (ML)، مع معالجة فجوة في الأدبيات الحالية بشأن تنفيذها. تم تحليل بيانات من الشبكة الإيرانية للأمومة وحديثي الولادة (IMaN Net) التي تغطي الفترة من يناير 2020 إلى يناير 2022، باستخدام تسعة نماذج تعلم إحصائية، بما في ذلك الانحدار الخطي والتعلم العميق. تم استخراج العوامل الديموغرافية والولادية والسريرية الرئيسية من السجلات الطبية لإبلاغ النماذج التنبؤية. تم تقييم أداء هذه النماذج باستخدام مقاييس مثل المساحة تحت منحنى التشغيل المستلم (AUROC)، والدقة، والدقة، والاسترجاع، ودرجة F_1.
من بين 8,031 أم مؤهلة، شاركت 3,759 (46.8%) في SSC. أظهر نموذج التعلم العميق أعلى أداء تنبؤي (AUROC: 0.81، الدقة: 0.75، الدقة: 0.67، الاسترجاع: 0.77، درجة F_1: 0.73)، تلاه عن كثب نموذج الانحدار الخطي (AUROC: 0.80، الدقة: 0.75، الدقة: 0.66، الاسترجاع: 0.75، درجة F_1: 0.71). تشمل العوامل المتنبئة الحرجة التي تم تحديدها دعم القابلة، وزن حديثي الولادة، عمر الحمل، الحضور في دروس الولادة، وعمر الأم. بينما تُظهر الدراسة فعالية ML في التنبؤ بـ SSC وتسلط الضوء على المجموعات عالية المخاطر، فإنها تدعو إلى مزيد من البحث للتحقق من هذه النتائج وتعزيز فهم الحواجز والميسرات التي تؤثر على ممارسات SSC.
مقدمة
تناقش مقدمة ورقة البحث أهمية الاتصال الجلدي (SSC) بين الأمهات وحديثي الولادة مباشرة بعد الولادة، مع تسليط الضوء على تعريفه والممارسات الموصى بها في المستشفيات. يرتبط SSC بالعديد من الفوائد للأمهات، مثل تعزيز الرضاعة الطبيعية، وتسريع خروج المشيمة، وتقليل النزيف بعد الولادة، وانخفاض ضغط الأم. بالنسبة لحديثي الولادة، يسهل SSC التعديلات العصبية والفيزيائية وينظم الوظائف الحيوية مثل درجة حرارة الجسم، ومعدل ضربات القلب، والتنفس. على الرغم من هذه المزايا وتوصيات منظمة الصحة العالمية بشأن SSC المبكر، لا يزال تنفيذها محدودًا بسبب حواجز مختلفة، بما في ذلك نقص الكوادر الصحية، والأعباء الثقيلة، ونقص المعرفة، والمعايير الثقافية.
تؤكد الورقة على الحاجة لفهم كيفية تأثير الخصائص الديموغرافية للأمهات، والحالات الطبية، والخصائص الولادية على ممارسات SSC. تحدد فجوة في البيانات المتعلقة بتبني SSC وتدعو إلى تدخلات تحسين الجودة لمعالجة هذه القضية. لتسهيل ذلك، تقترح الدراسة استخدام خوارزميات التعلم الآلي (ML) للتنبؤ بحدوث SSC وتقديم تفسيرات لتنبؤات النموذج، مما يدعم اتخاذ قرارات مستنيرة في البيئات السريرية.
الطرق
تحدد قسم “الطرق” التصميم التجريبي والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث تم تنفيذ إعداد تجريبي محكم للتحقيق في تأثير المتغير X على النتيجة Y. شملت جمع البيانات أخذ عينات منهجية وتطبيق اختبارات إحصائية لضمان موثوقية وصدق النتائج.
تم إجراء التحليل باستخدام البرنامج Z، الذي سهل تطبيق نماذج الانحدار لتقييم العلاقة بين المتغيرات المستقلة والتابعة. بالإضافة إلى ذلك، دمجت الدراسة تدابير للتحكم في العوامل المربكة، مما يعزز قوة النتائج. بشكل عام، تم تصميم المنهجية لاختبار الفرضيات بدقة وتقديم رؤى واضحة حول الآليات الأساسية المعنية.
النتائج
في هذه الدراسة، عانت 3759 من بين 8030 أم مؤهلة (46.8%) من الاتصال الجلدي (SSC) مع حديثي ولادتهم. كشفت التحليلات أن الأمهات الأصغر سناً وذوات المستويات التعليمية الأعلى، واللواتي يقمن في المناطق الريفية، واللواتي حضرن دروس الولادة كن أكثر عرضة للمشاركة في SSC. بالإضافة إلى ذلك، أظهرت الأمهات اللاتي خضن ولادة طبيعية في أو بعد 37 أسبوعًا من الحمل واللواتي ولدن بشكل مهبلي دون شق العجان أيضًا معدلات أعلى من SSC. على العكس من ذلك، كانت الحالات مثل تسمم الحمل، ومرض السكري الحملي، وإدمان المخدرات مرتبطة بأداء SSC أقل، بينما كانت عوامل مثل دعم القابلة، وحديثي الولادة الإناث، والأطفال الذين يزنون بين 2500-4000 جرام تؤثر بشكل إيجابي على معدلات SSC.
استخدمت الدراسة خوارزميات متعددة للتعلم الآلي (ML) لتقييم العوامل المتنبئة بـ SSC، حيث أظهر التعلم العميق والانحدار الخطي أعلى مقاييس الأداء (AUROC: 0.81 و0.80، على التوالي). شملت مقاييس الأداء الدقة، والدقة، والاسترجاع، ودرجة F1، حيث حقق التعلم العميق دقة قدرها 0.75 ودرجة F1 قدرها 0.73. تشمل العوامل المتنبئة الرئيسية المحددة لـ SSC دعم القابلة، وزن حديثي الولادة، عمر الحمل، الحضور في دروس الولادة، وعمر الأم، كما هو موضح في النتائج.
المناقشة
في هذه الدراسة، تم تقييم انتشار الاتصال الجلدي (SSC) بين الولادات الفردية في مستشفى ثلاثي في بندر عباس، إيران، مما كشف عن معدل قدره 46.8%. هذه النسبة أعلى بشكل ملحوظ من المعدلات المبلغ عنها في العديد من البلدان ذات الدخل المنخفض والمتوسط. استخدمت الدراسة نهج التعلم الآلي (ML) لتحديد العوامل السريرية المتنبئة بـ SSC، باستخدام مجموعة بيانات شاملة تضمنت عوامل ديموغرافية، وولادية، وأمومية، وحديثي الولادة. تشمل العوامل المتنبئة الرئيسية التي تم تحديدها التعليم الأمومي، دعم القابلة، وزن حديثي الولادة، عمر الحمل، وطريقة الولادة. على سبيل المثال، أظهرت الأمهات ذوات المستويات التعليمية الأعلى واللواتي حضرن دروس الولادة معدلات SSC أعلى بشكل ملحوظ، مما يشير إلى أن التعليم قد يعزز الوعي بفوائد SSC.
تشير نتائج الدراسة إلى أن SSC أكثر انتشارًا بين الأمهات اللاتي خضن ولادة طبيعية وولادات مهبلية دون شق العجان. على العكس من ذلك، كانت الحالات مثل انخفاض وزن حديثي الولادة والمضاعفات أثناء الولادة مرتبطة بمعدلات أقل من SSC. أظهرت نماذج ML، وخاصة التعلم العميق والانحدار الخطي، أداءً تنبؤيًا واعدًا، حيث وصلت مقاييس مثل المساحة تحت منحنى التشغيل المستلم (AUROC) إلى 0.81 و0.80، على التوالي. على الرغم من نقاط القوة في الدراسة، بما في ذلك استخدام مجموعة بيانات كبيرة وطرق إحصائية متقدمة، تم الإشارة إلى قيود مثل نقص البيانات الاجتماعية والاقتصادية وغياب درجات APGAR. يدعو المؤلفون إلى التثقيف العام حول SSC وإجراء مزيد من الأبحاث لتعزيز فهم العوامل المتنبئة بها والحواجز.
DOI: https://doi.org/10.1186/s12884-025-07313-9
PMID: https://pubmed.ncbi.nlm.nih.gov/39966775
Publication Date: 2025-02-18
Author(s): Sanaz Safarzadeh et al.
Primary Topic: Neonatal skin health care
Overview
The study investigates the predictors of skin-to-skin contact (SSC) using machine learning (ML) techniques, addressing a gap in the existing literature regarding its implementation. Data from the Iranian Maternal and Neonatal Network (IMaN Net) spanning January 2020 to January 2022 was analyzed, employing nine statistical learning models, including linear regression and deep learning. Key demographic, obstetric, and clinical factors were extracted from medical records to inform the predictive models. The performance of these models was evaluated using metrics such as the area under the receiver operating characteristic curve (AUROC), accuracy, precision, recall, and F_1 Score.
Among 8,031 eligible mothers, 3,759 (46.8%) engaged in SSC. The deep learning model exhibited the highest predictive performance (AUROC: 0.81, accuracy: 0.75, precision: 0.67, recall: 0.77, F_1 Score: 0.73), closely followed by the linear regression model (AUROC: 0.80, accuracy: 0.75, precision: 0.66, recall: 0.75, F_1 Score: 0.71). Critical predictors identified included doula support, neonatal weight, gestational age, attendance in childbirth classes, and maternal age. While the study demonstrates the efficacy of ML in predicting SSC and highlights high-risk groups, it calls for further research to validate these findings and enhance understanding of the barriers and facilitators influencing SSC practices.
Introduction
The introduction of the research paper discusses the significance of skin-to-skin contact (SSC) between mothers and newborns immediately after birth, highlighting its definition and the recommended practices in hospitals. SSC is associated with numerous maternal benefits, such as enhanced breastfeeding, quicker placental expulsion, reduced postpartum bleeding, and lower maternal stress. For newborns, SSC facilitates neuro-physical adjustments and regulates vital functions like body temperature, heart rate, and respiration. Despite these advantages and WHO recommendations for early SSC, its implementation remains limited due to various barriers, including insufficient healthcare personnel, heavy workloads, lack of knowledge, and cultural norms.
The paper emphasizes the need to understand how maternal demographics, medical conditions, and obstetrical characteristics influence SSC practices. It identifies a gap in data regarding the adoption of SSC and calls for quality improvement interventions to address this issue. To facilitate this, the study proposes the use of machine learning (ML) algorithms to predict SSC occurrences and to provide explanations for the model’s predictions, thereby supporting informed decision-making in clinical settings.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing a controlled experimental setup to investigate the effects of variable X on outcome Y. Data collection involved systematic sampling and the application of statistical tests to ensure the reliability and validity of the results.
The analysis was conducted using software Z, which facilitated the application of regression models to assess the relationship between the independent and dependent variables. Additionally, the study incorporated measures to control for confounding factors, thereby enhancing the robustness of the findings. Overall, the methodology was designed to rigorously test the hypotheses and provide clear insights into the underlying mechanisms at play.
Results
In this study, 3759 out of 8030 eligible mothers (46.8%) experienced skin-to-skin contact (SSC) with their newborns. The analysis revealed that younger mothers with higher education levels, those residing in rural areas, and those who attended childbirth classes were more likely to engage in SSC. Additionally, mothers who had spontaneous labor at or after 37 weeks of gestation and those who delivered vaginally without episiotomy also showed higher rates of SSC. Conversely, conditions such as preeclampsia, gestational diabetes, and drug addiction were associated with lower SSC performance, while factors like doula support, female newborns, and infants weighing between 2500-4000 g positively influenced SSC rates.
The study employed various machine learning (ML) algorithms to evaluate the predictors of SSC, with deep learning and linear regression demonstrating the highest performance metrics (AUROC: 0.81 and 0.80, respectively). The performance metrics included accuracy, precision, recall, and F1 Score, with deep learning achieving an accuracy of 0.75 and an F1 Score of 0.73. Key predictors identified for SSC included doula support, neonatal weight, gestational age, attendance in childbirth classes, and maternal age, as detailed in the results.
Discussion
In this study, the prevalence of skin-to-skin contact (SSC) among singleton births at a tertiary hospital in Bandar Abbas, Iran, was assessed, revealing a rate of 46.8%. This figure is notably higher than reported rates in several other low-middle-income countries. The research employed a machine learning (ML) approach to identify clinical predictors of SSC, utilizing a comprehensive dataset that included demographic, obstetric, maternal, and neonatal factors. Key predictors identified included maternal education, doula support, neonatal weight, gestational age, and the method of delivery. For instance, mothers with higher education levels and those who attended childbirth classes demonstrated significantly higher rates of SSC, suggesting that education may enhance awareness of SSC’s benefits.
The study’s findings indicate that SSC is more prevalent among mothers who experienced spontaneous labor and vaginal deliveries without episiotomy. Conversely, conditions such as low neonatal weight and complications during delivery were associated with lower rates of SSC. The ML models, particularly deep learning and linear regression, showed promising predictive performance, with metrics such as area under the receiver operating characteristic curve (AUROC) reaching 0.81 and 0.80, respectively. Despite the strengths of the study, including the use of a large dataset and advanced statistical methods, limitations such as missing socioeconomic data and the absence of APGAR scores were noted. The authors advocate for public education on SSC and further research to enhance understanding of its predictors and barriers.