Ny maskinlæringsmodel viser løfte i at forudsige risiko for postpartum depression

Ny maskinlæringsmodel viser løfte i at forudsige risiko for postpartum depression

Postpartum depression (PPD) påvirker op til 15 procent af mennesker efter fødslen. Tidlig identifikation af patienter med PPD kan forbedre proaktiv mental sundhedsstøtte. Mass General Brigham-forskere udviklede en maskinlæringsmodel, der kan vurdere patienters risiko for PPD ved hjælp af let tilgængelige kliniske og demografiske faktorer. Resultater, der viser modellens lovende forudsigelsesevner, er offentliggjort iAmerican Journal of Psychiatry.

"Fødselsdepression er en af ​​de største udfordringer, nogle forældre kan stå over for i postpartum-perioden - en tid, hvor mange beskæftiger sig med søvnmangel, nye belastninger og væsentlige livsændringer," sagde Mark Clapp, MD, MPH, fra afdelingen for obstetrik og gynækologi på Massachusetts General Hospital. "Vedholdende følelser af tristhed, depression eller angst kan være mere almindelige, end mange mennesker er klar over. Vores team, ledet af Dr. Roy Perlis, er gået ud over dette arbejde for bedre at forstå, hvilke patienter der kan have højere risiko for PPD for at lette strategier og løsninger til enten at forebygge PPD eller reducere dens sværhedsgrad."

Typisk vurderes PPD-symptomer ved postpartum besøg, der forekommer 6 til 8 uger efter fødslen. Som følge heraf kan mange forældre kæmpe i et par uger, før de modtager mental sundhedsstøtte. For at levere tidligere PPD-pleje udviklede forskere en model, der kun kræver oplysninger i den elektroniske sundhedsjournal (EPJ) på leveringstidspunktet, herunder data om demografi, medicinske tilstande og besøgshistorie. Denne model vejer og integrerer disse komplekse variabler for mere præcist at vurdere PPD-risikoen.

For at udvikle og validere modellen brugte forfatterne information fra 29.168 gravide patienter leveret mellem 2017 og 2022 på to akademiske medicinske centre og seks kommunale hospitaler i Mass General Brigham-systemet. I denne kohorte opfyldte 9 procent af patienterne undersøgelseskriterierne for PPD seks måneder efter dispensering.

Forskerne brugte sundhedsdata fra omkring halvdelen af ​​patienterne til at træne modellen til at identificere PPD. De testede derefter modellen ved at bede den om at forudsige PPD i den anden halvdel af patienterne. Forskerne fandt ud af, at modellen var effektiv til at udelukke PPD 90 procent af tiden. Modellen viste lovende at forudsige PPD: Næsten 30 procent af dem, der forventes at have høj risiko, udviklede PPD inden for seks måneder efter fødslen. Modellen var cirka to til tre gange bedre til at forudsige PPD end det generelle befolkningsrisikoestimat.

I yderligere analyse viste forskerne, at modellen fungerede ens uanset race, etnicitet og alder ved fødslen. Undersøgelsen omfattede kun dem uden en forudgående psykiatrisk diagnose for at afgøre, om modellen kan forudsige PPD selv hos lavrisikopatienter og for bedre at forstå de risikofaktorer, der påvirker PPD uden for tidligere psykiatriske diagnoser. Især scores på Edinburgh Postnatal Depression Scale opnået prænatalt Perioden forbedrede modellens prædiktive muligheder og fremhævede, at dette eksisterende værktøj kan være nyttigt både før og efter levering.

Forskere tester fremadrettet modellens nøjagtighed, et væsentligt skridt mod brug i den virkelige verden, og arbejder med patienter, klinikere og interessenter for at bestemme, hvordan information fra modellen bedst kan inkorporeres i klinisk praksis.

Dette er spændende fremskridt i udviklingen af ​​et forudsigelsesværktøj, der kombineret med klinikernes ekspertise kan hjælpe med at forbedre mødres mentale sundhed. Med yderligere validering og samarbejde med klinikere og patienter håber vi at opnå tidligere identifikation og i sidste ende forbedre mentale sundhedsresultater for postpartum patienter. “

Mark Clapp, MD, MPH, afdeling for obstetrik og gynækologi, Massachusetts General Hospital

Kilder: