Ny maskinlæringsmodell viser løftet når det gjelder å forutsi risiko for postpartum depresjon

Ny maskinlæringsmodell viser løftet når det gjelder å forutsi risiko for postpartum depresjon

Postpartum depresjon (PPD) påvirker opptil 15 prosent av mennesker etter fødsel. Tidlig identifisering av pasienter med PPD kan forbedre proaktiv mental helsestøtte. Mass General Brigham-forskere utviklet en maskinlæringsmodell som kan vurdere pasienters risiko for PPD ved å bruke lett tilgjengelige kliniske og demografiske faktorer. Resultater som viser modellens lovende prediktive evner er publisert iAmerican Journal of Psychiatry.

"Fødselsdepresjon er en av de største utfordringene noen foreldre kan møte i postpartum-perioden - en tid da mange sliter med søvnmangel, nye stress og betydelige endringer i livet," sa Mark Clapp, MD, MPH, ved avdelingen for obstetrikk og gynekologi ved Massachusetts General Hospital. "Vedvarende følelser av tristhet, depresjon eller angst kan være mer vanlig enn mange mennesker er klar over. Teamet vårt, ledet av Dr. Roy Perlis, har gått utover dette arbeidet for å bedre forstå hvilke pasienter som kan ha høyere risiko for PPD for å legge til rette for strategier og løsninger for enten å forebygge PPD eller redusere alvorlighetsgraden."

Vanligvis vurderes PPD-symptomer ved postpartumbesøk som oppstår 6 til 8 uker etter fødsel. Som et resultat kan mange foreldre slite i noen uker før de får psykisk helsestøtte. For å levere tidligere PPD-behandling utviklet forskere en modell som bare krever informasjon i den elektroniske helsejournalen (EPJ) på leveringstidspunktet, inkludert data om demografi, medisinske tilstander og besøkshistorie. Denne modellen veier og integrerer disse komplekse variablene for å vurdere PPD-risiko mer nøyaktig.

For å utvikle og validere modellen brukte forfatterne informasjon fra 29 168 gravide pasienter levert mellom 2017 og 2022 ved to akademiske medisinske sentre og seks samfunnssykehus i Mass General Brigham-systemet. I denne kohorten oppfylte 9 prosent av pasientene studiekriteriene for PPD seks måneder etter utlevering.

Forskerne brukte helsedata fra omtrent halvparten av pasientene for å trene modellen til å identifisere PPD. De testet deretter modellen ved å be den forutsi PPD hos den andre halvdelen av pasientene. Forskerne fant at modellen var effektiv til å utelukke PPD 90 prosent av tiden. Modellen viste lovende å forutsi PPD: Nesten 30 prosent av de som forventes å ha høy risiko utviklet PPD innen seks måneder etter levering. Modellen var omtrent to til tre ganger bedre til å forutsi PPD enn det generelle populasjonsrisikoestimatet.

I videre analyse viste forskerne at modellen presterte likt uavhengig av rase, etnisitet og alder ved levering. Studien inkluderte bare de uten en tidligere psykiatrisk diagnose for å avgjøre om modellen kan forutsi PPD selv hos lavrisikopasienter og for bedre å forstå risikofaktorene som påvirker PPD utenfor tidligere psykiatriske diagnoser. Spesielt score på Edinburgh Postnatal Depression Scale oppnådd prenatalt Perioden forbedret modellens prediktive evner og fremhevet at dette eksisterende verktøyet kan være nyttig både før og etter levering.

Forskere tester prospektivt modellens nøyaktighet, et viktig skritt mot bruk i den virkelige verden, og jobber med pasienter, klinikere og interessenter for å finne ut hvordan man best kan inkorporere informasjon fra modellen i klinisk praksis.

Dette er spennende fremskritt i utviklingen av et prediktivt verktøy som, kombinert med ekspertisen til klinikere, kan bidra til å forbedre mødres mentale helse. Med ytterligere validering og samarbeid med klinikere og pasienter, håper vi å oppnå tidligere identifikasjon og til slutt forbedre mentale helseutfall for postpartumpasienter. "

Mark Clapp, MD, MPH, avdeling for obstetrikk og gynekologi, Massachusetts General Hospital

Kilder: