DOI: https://doi.org/10.1186/s12967-025-06289-6
PMID: https://pubmed.ncbi.nlm.nih.gov/40055720
تاريخ النشر: 2025-03-07
المؤلف: Weijing Qi وآخرون
الموضوع الرئيسي: الصحة النفسية للأم خلال الحمل وبعد الولادة
نظرة عامة
تتناول الدراسة الاكتئاب بعد الولادة (PPD) كقضية صحية عامة حرجة، وتهدف إلى تطوير والتحقق من صحة نماذج التعلم الآلي (ML) التي تستخدم المؤشرات البيولوجية والنفسية والاجتماعية لتقييم خطر PPD لدى النساء الحوامل. تم جمع البيانات من 1,138 مشاركًا بين أغسطس 2021 وأغسطس 2022، مع قياس النتيجة الرئيسية باستخدام مقياس إدنبرة للاكتئاب بعد الولادة بعد ستة أسابيع من الولادة. حددت الأبحاث 11 عاملًا تنبؤيًا واستخدمت سبع طرق لاختيار الميزات جنبًا إلى جنب مع ستة خوارزميات ML، وكشفت أن الانحدار اللوجستي (LR) والشبكات العصبية الاصطناعية (ANN) قدمت أفضل أداء في التنبؤ، مع قيم المساحة تحت المنحنى (AUC) تبلغ 0.801 و0.858 لـ LR، و0.787 و0.844 لـ ANN، على التوالي. ومن الجدير بالذكر أن تضمين المؤشرات بعد الولادة عزز بشكل كبير من أداء النماذج.
تشير النتائج إلى أن نماذج LR وANN المطورة هي أدوات فعالة للتنبؤ المبكر بخطر PPD، مع تداعيات على تدخلات الصحة العامة. تؤكد الدراسة على أهمية دمج كل من المؤشرات قبل وبعد الولادة لتحسين دقة التنبؤ. بالإضافة إلى ذلك، يمكن أن تسهل أدوات تقييم المخاطر، مثل درجات تصنيف المخاطر والنماذج، اتخاذ القرارات السريرية. بينما تظهر النماذج وعدًا لتقييم المخاطر الفردية في البيئات السريرية، يعترف المؤلفون بالحاجة إلى التحقق الخارجي لتأكيد موثوقية تنبؤاتهم في الأبحاث المستقبلية.
مقدمة
تسلط المقدمة الضوء على التحسن الكبير في الصحة البدنية للنساء الحوامل على مدى العقود الأخيرة، والذي يتميز بانخفاض معدلات الإجهاض والوفيات. ومع ذلك، تؤكد على الزيادة المثيرة للقلق في القضايا الصحية النفسية، وخاصة الاكتئاب بعد الولادة (PPD)، الذي يؤثر على حوالي 17.22% من النساء الحوامل عالميًا. يتميز PPD بمزاج منخفض مستمر وفقدان المتعة، وقد تفاقمت انتشاره بسبب جائحة COVID-19. تؤكد المقدمة على الطبيعة متعددة العوامل لـ PPD، المتأثرة بالعوامل الديموغرافية والبدنية والنفسية والاجتماعية والولادية، مع الإشارة إلى التحديات في فهم آلياته الأساسية والحاجة إلى استراتيجيات فعالة للوقاية والتدخل.
تناقش النصوص أيضًا قيود طرق الفحص الحالية، مثل الاستبيانات الذاتية، التي قد تفشل في تحديد PPD قبل أن تصبح الأعراض واضحة. تدعو إلى تطوير نماذج تنبؤية لتعزيز التعرف المبكر والدعم للنساء المتأثرات. بينما أظهرت نماذج التنبؤ الحالية وعدًا، فإنها غالبًا ما تعتمد على اختيار ميزة واحدة أو طرق النمذجة، والتي قد لا تلتقط بشكل كافٍ تعقيد مسببات PPD. تختتم المقدمة بتسليط الضوء على إمكانيات خوارزميات التعلم الآلي لتحسين دقة التنبؤ والحاجة إلى تحويل هذه النماذج إلى أدوات سريرية للرعاية الشخصية، مما يمهد الطريق لأهداف الدراسة: تحديد مؤشرات PPD، وتطوير نماذج متعددة للتنبؤ بالمخاطر، وإنشاء أدوات تقييم سريرية للفحص المبكر.
طرق
توضح قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. تتفصل في اختيار المشاركين، بما في ذلك معايير الإدراج والاستبعاد، بالإضافة إلى حسابات حجم العينة التي تضمن القوة الإحصائية. تشمل المنهجية التقنيات المحددة المستخدمة لجمع البيانات، مثل الاستطلاعات، والمقابلات، أو التجارب المخبرية، وتصف الأدوات والآلات المستخدمة للقياس.
بالإضافة إلى ذلك، يتوسع القسم في التحليلات الإحصائية التي تم إجراؤها لتفسير البيانات، بما في ذلك أي برامج تم استخدامها للحساب. يحدد النماذج المطبقة، مثل تحليل الانحدار أو ANOVA، ويناقش الافتراضات الأساسية وراء هذه الطرق. يتم التأكيد على صرامة المنهجية من خلال تضمين خطوات التحقق، مثل اختبار الطيار أو التحقق المتبادل، لتعزيز موثوقية وصلاحية النتائج. بشكل عام، تم تصميم الطرق المستخدمة لضمان أن النتائج قوية ويمكن تعميمها على مجموعة سكانية أوسع.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. يسلط الضوء على النتائج المهمة التي لوحظت، بما في ذلك البيانات الإحصائية والمعايير ذات الصلة التي تدعم الفرضيات المطروحة في الدراسة. غالبًا ما يتم توضيح النتائج من خلال الجداول والأشكال، التي توفر تمثيلًا بصريًا لاتجاهات البيانات والعلاقات.
بالإضافة إلى ذلك، يناقش القسم تداعيات هذه النتائج فيما يتعلق بالأدبيات الحالية، مؤكدًا كيف تساهم في الفهم الأوسع للموضوع. قد يتناول المؤلفون أيضًا أي نتائج غير متوقعة وتأثيرها المحتمل على اتجاهات البحث المستقبلية. بشكل عام، تؤكد النتائج على أهمية مساهمات الدراسة في هذا المجال وتقترح سبلًا لمزيد من التحقيق.
مناقشة
تقدم الدراسة نهجًا جديدًا للتنبؤ بالاكتئاب بعد الولادة (PPD) من خلال دمج سبع تقنيات لاختيار الميزات مع بيانات حقيقية عن النساء الحوامل، ملتزمة بإرشادات TRIPOD. أجريت في مستشفى ولادة عام، قامت الدراسة الاستباقية بتجنيد نساء فوق 18 عامًا مع معايير إدراج محددة، مستبعدة أولئك الذين تعرضوا لفقدان الحمل أو تم تشخيصهم بعيوب جنينية لتقليل العوامل المربكة. أكمل 1,138 مشاركًا تقييمات المتابعة، وتم تحديد المؤشرات المرشحة من خلال مراجعة الأدبيات واستشارة الخبراء، وتصنيفها إلى عوامل ديموغرافية، وتاريخ الصحة النفسية، وعوامل نفسية اجتماعية، وقياسات فسيولوجية. استخدمت تطوير النموذج النهائي ستة خوارزميات للتعلم الآلي (ML)، حيث أظهر الانحدار اللوجستي (LR) والشبكات العصبية الاصطناعية (ANN) أداءً تنبؤيًا متفوقًا، محققين قيم المساحة تحت المنحنى (AUC) تتراوح من 0.727 إلى 0.858.
تشير النتائج الرئيسية إلى أن الرعاية المنخفضة من الأمهات (MCPP)، والقلق قبل الولادة، والاكتئاب هي مؤشرات مهمة لـ PPD، مما يبرز أهمية الدعم الاجتماعي وتاريخ الصحة النفسية. تؤكد الدراسة أيضًا على تطوير أدوات تقييم المخاطر التفاعلية، بما في ذلك النماذج الآلية والآلات الحاسبة عبر الإنترنت، لتسهيل تصنيف المخاطر في الوقت الحقيقي وتحسين اتخاذ القرارات السريرية. تهدف هذه الأدوات إلى تعزيز كفاءة فحص PPD واستراتيجيات التدخل، خاصة في البيئات التي تعاني من نقص الموارد، من خلال السماح بالتعرف المبكر على الأفراد ذوي المخاطر العالية وتعزيز التدخلات النفسية المستهدفة. تؤكد الدراسة على إمكانية دمج هذه النماذج المعتمدة على ML في الممارسة السريرية لتحسين نتائج الأمهات والمواليد الجدد.
قيود
تسلط قيود هذه الدراسة الضوء على عدة مجالات حرجة يجب أخذها في الاعتبار. أولاً، على الرغم من القوة المنهجية التي يوفرها التصميم الاستباقي والتحقق الداخلي القوي من خلال التحقق المتبادل، فإن نقص التحقق الخارجي باستخدام مجموعات مستقلة يمثل قيدًا كبيرًا. قد يؤدي مجموعة البيانات من مركز واحد إلى إدخال تحيز في الاختيار، مما قد يؤثر على إمكانية تعميم النموذج على مجموعات سكانية أخرى ذات خصائص ديموغرافية أو ممارسات سريرية أو أنظمة صحية مختلفة. لتعزيز قابلية تطبيق النموذج، يجب أن تعطي الأبحاث المستقبلية الأولوية للتعاون متعدد المراكز للتحقق عبر بيئات متنوعة.
ثانيًا، يركز الدراسة على حالات الحمل في الثلثين الثاني والثالث، مع عدم جمع بيانات من الثلث الأول، مما يحد من شمولية النتائج. يجب أن تهدف التحقيقات المستقبلية إلى دمج متغيرات إضافية أو علامات محددة لتحسين دقة تقديرات الاكتئاب بعد الولادة (PPD). أخيرًا، بينما تعكس مجموعة البيانات السكان الصينيين، يجب توخي الحذر في تعميم النتائج، حيث قد تكون أدوات تقييم المخاطر أكثر قابلية للتطبيق على النساء اللاتي يتلقين الرعاية من أمهاتهن. يجب أن تؤخذ العوامل الثقافية الفريدة المرتبطة بممارسات رعاية الأمهات في آسيا، مثل MCPP وPCPP، في الاعتبار في الأبحاث والتطبيقات السريرية المستقبلية.
DOI: https://doi.org/10.1186/s12967-025-06289-6
PMID: https://pubmed.ncbi.nlm.nih.gov/40055720
Publication Date: 2025-03-07
Author(s): Weijing Qi et al.
Primary Topic: Maternal Mental Health During Pregnancy and Postpartum
Overview
The study addresses postpartum depression (PPD) as a critical public health concern, aiming to develop and validate machine learning (ML) models that utilize biopsychosocial predictors to assess the risk of PPD in perinatal women. Data were collected from 1,138 participants between August 2021 and August 2022, with the primary outcome measured using the Edinburgh Postnatal Depression Scale at six weeks postpartum. The research identified 11 predictive factors and employed seven feature selection methods alongside six ML algorithms, revealing that logistic regression (LR) and artificial neural networks (ANN) provided the best prediction performance, with area under the curve (AUC) values of 0.801 and 0.858 for LR, and 0.787 and 0.844 for ANN, respectively. Notably, the inclusion of postpartum predictors significantly enhanced the models’ performance.
The findings suggest that the developed LR and ANN models are effective tools for early PPD risk prediction, with implications for public health interventions. The study emphasizes the importance of integrating both prenatal and postnatal predictors to improve predictive accuracy. Additionally, the implementation of risk assessment tools, such as risk-stratification scores and nomograms, could facilitate clinical decision-making. While the models show promise for individual risk assessment in clinical settings, the authors acknowledge the need for external validation to confirm the reliability of their predictions in future research.
Introduction
The introduction highlights the significant improvement in the physical health of perinatal women over recent decades, marked by a decline in miscarriage and mortality rates. However, it emphasizes a concerning rise in mental health issues, particularly postpartum depression (PPD), which affects approximately 17.22% of perinatal women globally. PPD is characterized by persistent low mood and anhedonia, and its prevalence has been exacerbated by the COVID-19 pandemic. The introduction underscores the multifactorial nature of PPD, influenced by demographic, physical, psychological, social, and obstetric factors, while noting the challenges in understanding its underlying mechanisms and the need for effective prevention and intervention strategies.
The text further discusses the limitations of current screening methods, such as self-report questionnaires, which may fail to identify PPD before symptoms become overt. It advocates for the development of predictive models to enhance early identification and support for affected women. While existing prediction models have shown promise, they often rely on single feature selection or modeling methods, which may not adequately capture the complexity of PPD’s etiology. The introduction concludes by highlighting the potential of machine learning algorithms to improve predictive accuracy and the need for translating these models into clinical tools for personalized care, setting the stage for the study’s objectives: to identify PPD predictors, develop multiple risk prediction models, and create clinical assessment tools for early screening.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection of participants, including criteria for inclusion and exclusion, as well as the sample size calculations that ensure statistical power. The methodology encompasses the specific techniques used for data collection, such as surveys, interviews, or laboratory experiments, and describes the tools and instruments utilized for measurement.
Additionally, the section elaborates on the statistical analyses performed to interpret the data, including any software used for computation. It specifies the models applied, such as regression analysis or ANOVA, and discusses the assumptions underlying these methods. The rigor of the methodology is underscored by the inclusion of validation steps, such as pilot testing or cross-validation, to enhance the reliability and validity of the findings. Overall, the methods employed are designed to ensure that the results are robust and can be generalized to a broader population.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments and analyses. It highlights the significant outcomes observed, including statistical data and relevant metrics that support the hypotheses posed in the study. The results are often illustrated through tables and figures, which provide a visual representation of the data trends and relationships.
Additionally, the section discusses the implications of these findings in relation to existing literature, emphasizing how they contribute to the broader understanding of the topic. The authors may also address any unexpected results and their potential impact on future research directions. Overall, the results underscore the importance of the study’s contributions to the field and suggest avenues for further investigation.
Discussion
The study presents a novel approach to predicting postpartum depression (PPD) by integrating seven feature selection techniques with real-world perinatal data, adhering to TRIPOD guidelines. Conducted at a public tertiary maternity hospital, the prospective cohort study recruited women over 18 years of age with specific inclusion criteria, excluding those with pregnancy losses or diagnosed fetal abnormalities to minimize confounding factors. A total of 1,138 participants completed follow-up evaluations, and candidate predictors were identified through literature review and expert consultation, categorized into demographic, mental health history, psychosocial factors, and physiological measures. The final model development utilized six machine learning (ML) algorithms, with logistic regression (LR) and artificial neural networks (ANN) demonstrating superior predictive performance, achieving area under the curve (AUC) values ranging from 0.727 to 0.858.
Key findings indicate that low maternal care from mothers-in-law (MCPP), prenatal anxiety, and depression are significant predictors of PPD, highlighting the importance of social support and mental health history. The study also emphasizes the development of interactive risk assessment tools, including nomograms and web-based calculators, to facilitate real-time risk stratification and improve clinical decision-making. These tools aim to enhance the efficiency of PPD screening and intervention strategies, particularly in resource-constrained settings, by allowing early identification of high-risk individuals and promoting targeted mental health interventions. The study underscores the potential for integrating these ML-based models into clinical practice to optimize maternal and neonatal outcomes.
Limitations
The limitations of this study highlight several critical areas for consideration. Firstly, despite the methodological strengths provided by a prospective design and robust internal validation through cross-validation, the lack of external validation using independent cohorts poses a significant limitation. The single-center dataset may introduce selection bias, potentially affecting the model’s generalizability to other populations with varying demographic characteristics, clinical practices, or healthcare systems. To enhance the model’s applicability, future research should prioritize multicenter collaborations for validation across diverse settings.
Secondly, the study’s focus on second- and third-trimester pregnancies, with no data collected from the first trimester, limits the comprehensiveness of the findings. Future investigations should aim to incorporate additional variables or specific markers to improve the accuracy of postpartum depression (PPD) estimations. Lastly, while the dataset reflects the Chinese population, caution is warranted in generalizing the findings, as the risk assessment tools may be more applicable to women receiving care from their mothers-in-law. The unique cultural factors associated with maternal care practices in Asia, such as MCPP and PCPP, should be considered in subsequent research and clinical applications.