DOI: https://doi.org/10.1186/s12884-024-07030-9
PMID: https://pubmed.ncbi.nlm.nih.gov/39695398
تاريخ النشر: 2024-12-18
المؤلف: Sulaiman Salim Al Mashrafi وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تتناول ورقة البحث القضية الحرجة لمعدل المرض والوفيات بين الأمهات، مع التأكيد على الحاجة إلى نماذج تنبؤية فعالة لتحديد الفئات عالية المخاطر أثناء الحمل. هذه الدراسة مهمة بشكل خاص لأنها تستخدم خوارزميات تعلم الآلة (ML) للتنبؤ بمستويات خطر الأمهات باستخدام مجموعة بيانات وطنية تضم 402 حالة وفاة للأمهات في عمان من 1991 إلى 2023. قارن المؤلفون بين عشرة خوارزميات ML، بما في ذلك شجرة القرار، والغابة العشوائية، وآلة الدعم الناقل، من بين أمور أخرى، واستخدموا تحليل المكونات الرئيسية (PCA) لتعزيز أداء النموذج. كشفت النتائج أن نموذج الغابة العشوائية (RF) حقق أعلى دقة بنسبة 75.2%، ودقة بنسبة 85.7%، ودرجة F1 بنسبة 73% بعد تطبيق PCA.
تؤكد النتائج على إمكانيات خوارزميات ML في صحة الأمهات، مما يمثل جهدًا رائدًا في عمان لاستخدام البيانات الحقيقية في التنبؤ بمستويات خطر الأمهات. تحدد الدراسة العوامل الرئيسية مثل عدد الولادات السابقة وعدد الولادات الحية السابقة التي تسهم بشكل كبير في خطر الأمهات، مما يوفر رؤى قيمة للممارسين الطبيين. من خلال تسهيل التعرف المبكر على النساء الحوامل المعرضات للخطر، تتماشى هذه الدراسة مع رؤية عمان الصحية لعام 2040 وتساهم في الجهود العالمية لتقليل معدلات وفيات الأمهات. يدعو المؤلفون إلى مزيد من البحث يتضمن عوامل سريرية ونمط حياة إضافية لتعزيز دقة التنبؤ وتحسين نتائج صحة الأمهات في عمان.
مقدمة
تتناول مقدمة ورقة البحث القضية الحرجة لوفيات الأمهات، والتي تُعرف بأنها وفاة امرأة أثناء الحمل أو خلال 42 يومًا من إنهاء الحمل بسبب أسباب ذات صلة، باستثناء الأسباب العرضية. يُعتبر معدل وفيات الأمهات (MMR) مؤشرًا عالميًا رئيسيًا، يتم حسابه كعدد وفيات الأمهات لكل 100,000 ولادة حية خلال فترة محددة. تشير التقديرات الأخيرة إلى حدوث حوالي 800 حالة وفاة للأمهات يوميًا في جميع أنحاء العالم، مع معدل وفيات أمهات عالمي يبلغ 223 لكل 100,000 ولادة حية في عام 2020، مما يعكس انخفاضًا طفيفًا بنسبة 2.1% من عام 2000 إلى عام 2020. ومع ذلك، لا يزال معدل وفيات الأمهات المتوقع لعام 2030 أعلى بكثير من الهدف المحدد وهو 70.
في الدول العربية، تم الإبلاغ عن معدل وفيات الأمهات عند 145 لكل 100,000 ولادة حية في عام 2020، مما يمثل انخفاضًا كبيرًا بنسبة 44% منذ عام 2000، ومع ذلك يبرز الحاجة إلى مواصلة الجهود لتقليل وفيات الأمهات. الفجوات في معدل وفيات الأمهات بين دول مجلس التعاون الخليجي (GCC) ملحوظة، حيث سجلت عمان أعلى معدل وفيات أمهات قدره 45.7 خلال جائحة COVID-19 في عام 2021، بينما كانت الكويت الأقل بمعدل 1.9. أظهر معدل وفيات الأمهات في عمان تحسنًا طفيفًا، مع انخفاض قدره 5.4% فقط منذ عام 1998، وتشير التقلبات في البيانات إلى عدم الاستقرار في نتائج صحة الأمهات. تختتم المقدمة بالإشارة إلى أن القسم التالي سيستكشف تطبيق نماذج تعلم الآلة للتنبؤ بمخاطر وفيات الأمهات والمتغيرات المرتبطة بها.
الطرق
يستعرض قسم “الطرق” في ورقة البحث التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في سؤال البحث. استخدمت الدراسة نهجًا كميًا، يتضمن تحليلات إحصائية لتقييم البيانات التي تم جمعها من تجارب مختلفة. تضمنت المنهجيات المحددة تجارب مختبرية محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لمراقبة تأثيراتها على النتائج ذات الصلة.
شملت جمع البيانات استخدام أدوات وبروتوكولات موحدة لضمان الموثوقية والصلاحية. تم إجراء التحليل باستخدام أدوات برمجية تسهل النمذجة الإحصائية المعقدة، مما يسمح بفحص العلاقات بين المتغيرات. تم اشتقاق النتائج الرئيسية من اختبار الفرضيات، مع تحديد مستويات الدلالة عند p < 0.05، مما يشير إلى أن النتائج كانت ذات دلالة إحصائية. بشكل عام، قدمت الطرق المستخدمة إطارًا قويًا لمعالجة أهداف البحث وساهمت في موثوقية النتائج.
النتائج
تكشف نتائج هذه الدراسة حول التنبؤ بمستويات خطر وفيات الأمهات عن نتائج هامة بعد تطبيق تقنية الزيادة الاصطناعية للأقليات (SMOTE) وتحليل المكونات الرئيسية (PCA) لمعالجة عدم توازن البيانات والتعدد الخطي. تم تقديم إحصاءات وصفية لكل من النتائج والمتنبئين، تلتها تقييم مفصل لمختلف خوارزميات تعلم الآلة (ML). أشار تحليل PCA إلى أن المكون الرئيسي الأول (PC1) يمثل 58.3% من تباين البيانات، مع ميزات مثل الحمل، وعدد الولادات، والولادات الحية التي تسهم بشكل كبير في تباينه. أكد قياس جيب التمام المربع (COS²) أن معظم المتغيرات، باستثناء العمر، كانت لها جودة تمثيل عالية في المكونات الرئيسية، مع إظهار عمر الحمل والإجهاضات السابقة أيضًا مساهمات ملحوظة في PC2.
في تقييم أداء خوارزميات ML، حقق نموذج الغابة العشوائية (RF) أعلى دقة بنسبة 81.6%، تلاه XGBoost وجيران K الأقرب (KNN). كما حقق نموذج شجرة القرار أداءً جيدًا، حيث حصل على دقة بنسبة 74% دون استخدام PCA. توضح التحليل المقارن لأداء النموذج، الموضح في الأشكال المرفقة، أن نموذج RF يتفوق باستمرار على الآخرين في كلا السيناريوهين، مما يبرز فعاليته في التنبؤ بمستويات خطر وفيات الأمهات.
المناقشة
تحدد قسم المناقشة في ورقة البحث المتنبئين الرئيسيين لوفيات الأمهات، مع التأكيد على كل من العوامل البعيدة والقريبة مثل المؤشرات الديموغرافية والاجتماعية والاقتصادية، وحالة الصحة، ونظام الرعاية الصحية. تبرز منظمة الصحة العالمية (WHO) ثلاثة محددات رئيسية في التنبؤ بمعدلات وفيات الأمهات (MMR): الناتج المحلي الإجمالي (GDP)، ومعدل الخصوبة العام (GFR)، والحضور المدرب عند الولادة (SAB). تؤكد الدراسات عبر دول مختلفة، بما في ذلك جنوب السودان، والصين، والإكوادور، على أهمية الناتج المحلي الإجمالي ونفقات الصحة فيما يتعلق بوفيات الأمهات. يُعتبر عمر الأم عامل خطر حاسم، مع زيادة المخاطر المرتبطة بالحمل في الأعمار أقل من 18 أو أكثر من 35. كما أن عدد الولادات وعمر الحمل يرتبطان بشكل كبير بوفيات الأمهات، بينما يبدو أن تعليم الأمهات له تأثيرات متباينة بناءً على مستوى دخل الدول.
يستكشف القسم أيضًا تطبيق خوارزميات تعلم الآلة (ML) في التنبؤ بمخاطر صحة الأمهات، مع تسليط الضوء على إمكانياتها في تحسين دقة التشخيص وتقليل الأخطاء الطبية. أظهرت تقنيات ML المختلفة، بما في ذلك الانحدار اللوجستي، والغابة العشوائية، وزيادة التدرج، نتائج واعدة في التنبؤ بمستويات خطر الأمهات، حيث غالبًا ما تحقق الغابة العشوائية أعلى معدلات دقة. تؤكد الدراسة على ضرورة التعرف المبكر على الحمل عالي المخاطر وإمكانية ML لتحسين نتائج صحة الأمهات، خاصة في عمان، حيث تعتبر مثل هذه الدراسات التنبؤية نادرة. تهدف الورقة إلى المساهمة في مجموعة التطبيقات المتزايدة لـ ML في الرعاية الصحية، مما يعزز في النهاية اتخاذ القرارات المستندة إلى الأدلة لتحسين صحة الأمهات والمواليد الجدد.
DOI: https://doi.org/10.1186/s12884-024-07030-9
PMID: https://pubmed.ncbi.nlm.nih.gov/39695398
Publication Date: 2024-12-18
Author(s): Sulaiman Salim Al Mashrafi et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
The research paper addresses the critical issue of maternal morbidity and mortality, emphasizing the need for effective predictive models to identify high-risk groups during pregnancy. This study is particularly significant as it employs machine learning (ML) algorithms to predict maternal risk levels using a nationwide dataset of 402 maternal deaths in Oman from 1991 to 2023. The authors compared ten ML algorithms, including decision tree, random forest, and support vector machine, among others, and utilized principal component analysis (PCA) to enhance model performance. The results revealed that the random forest (RF) model achieved the highest accuracy of 75.2%, precision of 85.7%, and an F1-score of 73% after PCA application.
The findings underscore the potential of ML algorithms in maternal health, marking a pioneering effort in Oman to utilize real data for predicting maternal risk levels. The study identifies key factors such as parity and the number of previous live births that significantly contribute to maternal risk, thereby providing valuable insights for medical practitioners. By facilitating early identification of at-risk pregnant women, this research aligns with Oman’s health vision for 2040 and contributes to global efforts to reduce maternal mortality rates. The authors advocate for further research incorporating additional clinical and lifestyle factors to enhance predictive accuracy and ultimately improve maternal health outcomes in Oman.
Introduction
The introduction of the research paper addresses the critical issue of maternal mortality, defined as the death of a woman during pregnancy or within 42 days of pregnancy termination due to related causes, excluding incidental causes. The maternal mortality ratio (MMR) serves as a key global indicator, calculated as the number of maternal deaths per 100,000 live births over a specified period. Recent estimates indicate approximately 800 maternal deaths occur daily worldwide, with a global MMR of 223 per 100,000 live births in 2020, reflecting a modest reduction of 2.1% from 2000 to 2020. However, the projected MMR for 2030 remains significantly above the target of 70.
In the Arab states, the MMR was reported at 145 per 100,000 live births in 2020, marking a substantial 44% decrease since 2000, yet highlighting the need for continued efforts to reduce maternal deaths. Disparities in MMR among Gulf Cooperation Council (GCC) countries are notable, with Oman reporting the highest MMR of 45.7 during the COVID-19 pandemic in 2021, while Kuwait had the lowest at 1.9. The MMR in Oman has shown minimal improvement, with only a 5.4% reduction since 1998, and fluctuations in the data indicate instability in maternal health outcomes. The introduction concludes by indicating that the subsequent section will explore the application of machine learning models to predict maternal mortality risk and associated variables.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research question. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from various experiments. Specific methodologies included controlled laboratory experiments, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data collection involved the use of standardized instruments and protocols to ensure reliability and validity. The analysis was conducted using software tools that facilitated complex statistical modeling, allowing for the examination of relationships between variables. Key findings were derived from hypothesis testing, with significance levels set at p < 0.05, indicating that the results were statistically significant. Overall, the methods employed provided a robust framework for addressing the research objectives and contributed to the reliability of the findings.
Results
The results of this study on predicting maternal mortality risk levels reveal significant findings following the application of the Synthetic Minority Over-sampling Technique (SMOTE) and Principal Component Analysis (PCA) to address data imbalance and multicollinearity. Descriptive statistics were provided for both the outcome and predictors, followed by a detailed evaluation of various machine learning (ML) algorithms. The PCA analysis indicated that the first principal component (PC1) accounted for 58.3% of the data’s variance, with features such as gravida, parity, and live births significantly contributing to its variance. The squared cosine (COS²) measure confirmed that most variables, except for age, had high representation quality in the principal components, with gestational age and previous abortions also showing notable contributions to PC2.
In assessing the performance of ML algorithms, the Random Forest (RF) model achieved the highest accuracy at 81.6%, followed by XGBoost and K-Nearest Neighbors (KNN). The decision tree model also performed well, attaining an accuracy of 74% without PCA. The comparative analysis of model performance, illustrated in the accompanying figures, demonstrates that the RF model consistently outperforms others in both scenarios, underscoring its effectiveness in predicting maternal mortality risk levels.
Discussion
The discussion section of the research paper identifies key predictors of maternal mortality, emphasizing both distal and proximal factors such as demographic, socioeconomic, health status, and healthcare system-related indicators. The World Health Organization (WHO) highlights three primary determinants in predicting maternal mortality rates (MMR): gross domestic product (GDP), general fertility rate (GFR), and skilled attendance at birth (SAB). Studies across various countries, including South Sudan, China, and Ecuador, corroborate the significance of GDP and health expenditures in relation to maternal deaths. Maternal age is consistently identified as a critical risk factor, with increased risks associated with pregnancies at ages below 18 or above 35. High parity and gestational age also correlate significantly with maternal mortality, while maternal education appears to have varying impacts based on the income level of countries.
The section further explores the application of machine learning (ML) algorithms in predicting maternal health risks, highlighting their potential to enhance diagnostic accuracy and reduce medical errors. Various ML techniques, including Logistic Regression, Random Forest, and Gradient Boosting, have shown promising results in predicting maternal risk levels, with Random Forest often achieving the highest accuracy rates. The study underscores the necessity of early identification of high-risk pregnancies and the potential of ML to improve maternal health outcomes, particularly in Oman, where such predictive studies are scarce. The paper aims to contribute to the growing body of ML applications in healthcare, ultimately enhancing evidence-based decision-making to improve maternal and neonatal health.