DOI: https://doi.org/10.1136/bmjpo-2025-003561
PMID: https://pubmed.ncbi.nlm.nih.gov/41741126
تاريخ النشر: 2026-02-01
المؤلف: Deepika Kainth وآخرون
الموضوع الرئيسي: العدوى عند حديثي الولادة والأمهات
نظرة عامة
تقدم الدراسة نموذج تعلم آلي (ML) تم تطويره لتوقع التهاب السحايا الوليدي المبكر (EOS) في البلدان ذات الدخل المنخفض والمتوسط (LMICs). حقق النموذج حساسية بنسبة 90.3% وخصوصية بنسبة 40.6% لتحديد حالات التهاب السحايا المثبتة بالزراعة في وحدة رعاية حديثي الولادة من المستوى الثالث. تشير هذه النتائج إلى أن أداة التعلم الآلي يمكن أن تعمل كنظام دعم قرار فعال بجانب السرير، مما يسهل التشخيص الفوري والموثوق لالتهاب السحايا المثبت بالزراعة في البيئات المحدودة الموارد.
المقدمة
تسلط المقدمة الضوء على الحاجة الملحة لتشخيص موثوق وإدارة التهاب السحايا في حديثي الولادة لتقليل معدلات الوفيات. على الرغم من عقود من البحث، لم يتم تنفيذ استراتيجيات فعالة للتنبؤ وتصنيف المخاطر بنجاح، مما دفع مقدمي الرعاية الصحية لبدء العلاج بالمضادات الحيوية التجريبية للحالات المشتبه بها. تؤدي هذه الطريقة إلى تلقي عدد كبير من حديثي الولادة للمضادات الحيوية بشكل غير ضروري، مما يساهم في ارتفاع معدلات مقاومة المضادات الحيوية المتعددة (AMR). تتمتع درجات المخاطر الحالية ونماذج التنبؤ لالتهاب السحايا المثبت بالزراعة بدقة تشخيصية محدودة وتطبق بشكل أساسي في البيئات ذات الدخل المرتفع، مما يثير القلق بشأن مدى ملاءمتها في البلدان ذات الدخل المنخفض والمتوسط (LMICs)، حيث توجد ملفات بكتيرية مختلفة ومخاطر أساسية أعلى.
تقدم التطورات الأخيرة في التعلم الآلي (ML) بديلاً واعدًا لنمذجة التنبؤ في التهاب السحايا الوليدي. يمكن أن يحدد التعلم الآلي الأنماط المعقدة التي قد تظهر قبل ظهور الأعراض السريرية ويعمل على تحسين دقته مع إدخال بيانات مستمرة. أظهرت مراجعة منهجية أن نماذج التعلم الآلي تظهر حساسية مجمعة بنسبة 0.87 وخصوصية بنسبة 0.89 لتشخيص التهاب السحايا الوليدي؛ ومع ذلك، كانت معظم الدراسات تحمل مخاطر انحياز عالية وتحقق خارجي محدود، خاصة في LMICs حيث غالبًا ما تكون المتغيرات السريرية ذات الصلة غير متاحة. تهدف هذه الدراسة إلى تطوير نموذج قائم على التعلم الآلي لتوقع التهاب السحايا المبكر (EOS) باستخدام متغيرات متاحة بسهولة في LMICs وإنشاء تطبيق ويب سهل الاستخدام للتنفيذ بجانب السرير.
الطرق
استخدمت البحث منهجية منظمة تعتمد على بيانات من دراسة عدوى حديثي الولادة في دلهي (DeNIS) بالتعاون، تشمل ست خطوات رئيسية: معالجة البيانات المسبقة، تطوير المجموعة، اختيار الميزات، تطوير النموذج، التحقق الداخلي، والتحقق المستقبلي. تم تمثيل هذه الخطوات بصريًا في الشكل 1، مع مزيد من التفاصيل الموضحة في الصندوق 1. تلتزم الدراسة بإرشادات TRIPOD، مما يضمن معايير صارمة لتقارير دراسات نمذجة التنبؤ. تهدف هذه الإطار المنهجي إلى تعزيز موثوقية وقابلية تطبيق النموذج المطور في توقع العدوى الوليدية.
النتائج
في هذه الدراسة، تم اشتقاق مجموعة التطوير من 3768 حديثي الولادة المشتبه في إصابتهم بالتهاب السحايا المبكر (EOS)، مع استبعاد 844 بسبب التهاب السحايا السلبي للزراعة، مما أدى إلى تحليل نهائي لـ 2924 حديثي الولادة. من بين هؤلاء، تم تشخيص 548 (18.7%) بحالات التهاب سحايا مثبتة بالزراعة، بينما لم يكن 2376 (81.2%) كذلك. كان متوسط وزن الولادة للمجموعة 2112 جرام، مع كون 51% منهم من المبتسرين وثلثين منهم قدموا خلال 24 ساعة من الولادة. من الجدير بالذكر أن حديثي الولادة الذين يعانون من التهاب سحايا مثبت بالزراعة أظهروا عمر حمل أقل ووزن ولادة أقل، مع صعوبة في التنفس (59%) والخمول (46%) كأكثر العلامات السريرية شيوعًا.
شمل اختيار الميزات تحليل 67 متغيرًا مصنفة إلى عوامل متعلقة بالأم، وحديثي الولادة، والرعاية، مع تضمين الموقع كمتغير بسبب الفروق الكبيرة في انتشار EOS عبر المواقع (الموقع 1: 8.8%، الموقع 2: 4.9%، الموقع 3: 2.1%). نجحت تقنية Boruta في تحديد مجموعة فرعية عالية الأداء من 38 متغيرًا، والتي تم تنقيحها لاحقًا إلى 28 بناءً على ارتباط بيرسون. تضمنت المؤشرات الرئيسية فحص التهاب السحايا، وزن الولادة، مدة الحمل، مدة تمزق الأغشية، ووقت إعادة ملء الشعيرات الدموية المطول (>3 ثواني)، إلى جانب الموقع والعمر عند الشك. تم تفصيل مجموعة الميزات النهائية المختارة باستخدام الانحدار اللوجستي في المواد التكميلية.
المناقشة
طورت الدراسة نموذج تعلم آلي (ML) لتوقع التهاب السحايا المبكر (EOS) في حديثي الولادة، باستخدام مجموعة بيانات تضم 15,417 حديثي ولادة من ثلاثة مراكز رعاية ثلاثية في نيودلهي، الهند. حقق النموذج حساسية عالية بلغت 90.2% وخصوصية 40.6% في مجموعة التطوير، مع مقاييس أداء مماثلة في مجموعة تحقق خارجية (حساسية 90.3% وقيمة تنبؤية سلبية 94.2%). كان تصميم النموذج يهدف إلى تقليل استخدام المضادات الحيوية غير الضرورية، مما قد يقللها بنسبة تقارب 20%. تضمنت المؤشرات الرئيسية متغيرات الأم وحديثي الولادة، مع علامات سريرية هامة مثل تسارع ضربات القلب والخمول التي ساهمت في توقعات النموذج.
على الرغم من نقاط قوته، بما في ذلك حجم العينة الكبير واختيار الميزات الآلي، أظهر النموذج خصوصية منخفضة، مما أدى إلى قيمة تنبؤية إيجابية (PPV) تبلغ 25.3% فقط. تشير هذه القيمة المنخفضة إلى أن ثلاثة من كل أربعة حديثي الولادة الذين لا يعانون من التهاب سحايا مثبت بالزراعة تم تصنيفهم بشكل خاطئ على أنهم مصابون بالتهاب السحايا. تسلط الدراسة الضوء على الحاجة إلى حساسية عالية في توقع التهاب السحايا بسبب معدلات الوفيات العالية المرتبطة بـ EOS، مما قد يضر بالخصوصية. تشمل القيود استبعاد حديثي الولادة الذين يعانون من التهاب سحايا سلبي للزراعة وإمكانية العلاج المفرط بسبب انخفاض قيمة PPV للنموذج. يقترح المؤلفون أن الطبيعة الديناميكية للنموذج وقدرته على التعلم من البيانات الجديدة قد تعزز أدائه بمرور الوقت، مما يجعله أداة قيمة لاتخاذ القرارات السريرية في رعاية حديثي الولادة.
DOI: https://doi.org/10.1136/bmjpo-2025-003561
PMID: https://pubmed.ncbi.nlm.nih.gov/41741126
Publication Date: 2026-02-01
Author(s): Deepika Kainth et al.
Primary Topic: Neonatal and Maternal Infections
Overview
The study presents a machine learning (ML) model developed for the prediction of early-onset neonatal sepsis (EOS) in low-income and middle-income countries (LMICs). The model achieved a sensitivity of 90.3% and a specificity of 40.6% for identifying culture-proven EOS in a level-3 neonatal care unit. These findings suggest that the ML tool could serve as an effective bedside decision support system, facilitating timely and reliable diagnosis of culture-proven sepsis in resource-limited settings.
Introduction
The introduction highlights the critical need for reliable diagnosis and management of sepsis in neonates to reduce mortality rates. Despite decades of research, effective predictive and risk-stratification strategies have not been successfully implemented, leading healthcare providers to initiate empirical antibiotic treatment for suspected cases. This approach results in a significant number of neonates receiving antibiotics unnecessarily, contributing to rising multi-drug antimicrobial resistance (AMR) rates. Existing risk scores and prediction models for culture-proven sepsis have limited diagnostic accuracy and are primarily applicable to high-income settings, raising concerns about their relevance in low-income and middle-income countries (LMICs), where different bacterial profiles and higher baseline risks exist.
Recent advancements in machine learning (ML) present a promising alternative for predictive modeling in neonatal sepsis. ML can identify complex patterns that may emerge before clinical symptoms manifest and improve its accuracy with ongoing data input. A systematic review indicated that ML models exhibit a pooled sensitivity of 0.87 and specificity of 0.89 for diagnosing neonatal sepsis; however, most studies had high bias risks and limited external validation, particularly in LMICs where relevant clinical variables are often unavailable. This study aims to develop an ML-based model for predicting early-onset sepsis (EOS) using readily accessible variables in LMICs and to create a user-friendly web application for bedside implementation.
Methods
The research employed a structured methodology based on data from the Delhi Neonatal Infection Study (DeNIS) Collaboration, encompassing six key steps: data pre-processing, cohort development, feature selection, model development, internal validation, and prospective validation. These steps are visually represented in Figure 1, with further details outlined in Box 1. The study adheres to the TRIPOD guidelines, ensuring rigorous standards for reporting prediction modeling studies. This methodological framework aims to enhance the reliability and applicability of the developed model in predicting neonatal infections.
Results
In this study, the development cohort was derived from 3768 neonates suspected of early-onset sepsis (EOS), with 844 excluded due to culture-negative sepsis, resulting in a final analysis of 2924 neonates. Among these, 548 (18.7%) were diagnosed with culture-proven sepsis, while 2376 (81.2%) were not. The mean birth weight of the cohort was 2112 g, with 51% being preterm and two-thirds presenting within 24 hours of birth. Notably, neonates with culture-proven sepsis exhibited lower gestational age and birth weight, with difficulty breathing (59%) and lethargy (46%) being the most common clinical signs.
Feature selection involved analyzing 67 variables categorized into maternal, neonatal, and care-related factors, with the inclusion of site as a variable due to significant differences in EOS prevalence across locations (site 1: 8.8%, site 2: 4.9%, site 3: 2.1%). The Boruta technique effectively identified a high-performing subset of 38 variables, which was further refined to 28 based on Pearson correlation. Key predictors included sepsis screen, birth weight, gestation, duration of membrane rupture, and prolonged capillary refill time (>3 seconds), alongside site and age at suspicion. The final feature set selected using lasso regression is detailed in the supplementary materials.
Discussion
The study developed a machine learning (ML) model for predicting early-onset sepsis (EOS) in neonates, utilizing a dataset of 15,417 inborn neonates from three tertiary care centers in New Delhi, India. The model achieved a high sensitivity of 90.2% and a specificity of 40.6% in the development cohort, with similar performance metrics in an external validation cohort (sensitivity of 90.3% and negative predictive value of 94.2%). The model’s design aimed to reduce unnecessary antibiotic use, potentially decreasing it by approximately 20%. Key predictors included maternal and neonatal variables, with significant clinical signs such as tachycardia and lethargy contributing to the model’s predictions.
Despite its strengths, including a large sample size and automated feature selection, the model exhibited low specificity, resulting in a positive predictive value (PPV) of only 25.3%. This low PPV indicates that three out of four neonates without culture-proven sepsis were misclassified as having sepsis. The study highlights the need for high sensitivity in sepsis prediction due to the high fatality rates associated with EOS, which may compromise specificity. Limitations include the exclusion of neonates with culture-negative sepsis and the potential for overtreatment due to the model’s low PPV. The authors suggest that the model’s dynamic nature and ability to learn from new data could enhance its performance over time, making it a valuable tool for clinical decision-making in neonatal care.