Ny maskininlärningsmodell visar lovande när det gäller att förutsäga risk för postpartumdepression

Ny maskininlärningsmodell visar lovande när det gäller att förutsäga risk för postpartumdepression

Postpartum depression (PPD) drabbar upp till 15 procent av människor efter förlossningen. Tidig identifiering av patienter med PPD kan förbättra proaktivt stöd för mental hälsa. Mass General Brighams forskare utvecklade en maskininlärningsmodell som kan bedöma patienters risk för PPD med hjälp av lättillgängliga kliniska och demografiska faktorer. Resultat som visar modellens lovande prediktiva kapacitet publiceras iAmerican Journal of Psychiatry.

"Förlossningsdepression är en av de största utmaningarna som vissa föräldrar kan möta under postpartum-perioden - en tid då många hanterar sömnbrist, nya påfrestningar och betydande livsförändringar", säger Mark Clapp, MD, MPH, vid avdelningen för obstetrik och gynekologi vid Massachusetts General Hospital. "Ihållande känslor av sorg, depression eller ångest kan vara vanligare än vad många människor inser. Vårt team, ledd av Dr. Roy Perlis, har gått bortom detta arbete för att bättre förstå vilka patienter som kan ha högre risk för PPD för att underlätta strategier och lösningar för att antingen förebygga PPD eller minska dess svårighetsgrad."

Vanligtvis bedöms PPD-symtom vid postpartumbesök som inträffar 6 till 8 veckor efter förlossningen. Som ett resultat kan många föräldrar kämpa i några veckor innan de får psykiskt stöd. För att ge tidigare PPD-vård utvecklade forskare en modell som endast kräver information i den elektroniska journalen (EPJ) vid leveranstillfället, inklusive data om demografi, medicinska tillstånd och besökshistorik. Denna modell väger och integrerar dessa komplexa variabler för att mer exakt bedöma PPD-risk.

För att utveckla och validera modellen använde författarna information från 29 168 gravida patienter förlossade mellan 2017 och 2022 vid två akademiska vårdcentraler och sex kommunala sjukhus i Mass General Brigham-systemet. I denna kohort uppfyllde 9 procent av patienterna studiekriterierna för PPD sex månader efter dispensering.

Forskarna använde hälsodata från ungefär hälften av patienterna för att träna modellen för att identifiera PPD. De testade sedan modellen genom att be den förutsäga PPD hos den andra hälften av patienterna. Forskarna fann att modellen var effektiv för att utesluta PPD 90 procent av tiden. Modellen visade lovande när det gällde att förutsäga PPD: Nästan 30 procent av de som förväntades ha hög risk utvecklade PPD inom sex månader efter förlossningen. Modellen var ungefär två till tre gånger bättre på att förutsäga PPD än den allmänna populationsriskuppskattningen.

I ytterligare analys visade forskarna att modellen presterade liknande oavsett ras, etnicitet och ålder vid förlossningen. Studien inkluderade endast de utan en tidigare psykiatrisk diagnos för att avgöra om modellen kan förutsäga PPD även hos lågriskpatienter och för att bättre förstå de riskfaktorer som påverkar PPD utanför tidigare psykiatriska diagnoser. I synnerhet poäng på Edinburgh Postnatal Depression Scale förvärvade prenatalt Perioden förbättrade modellens prediktiva förmåga och visade att detta befintliga verktyg kan vara användbart både före och efter leverans.

Forskare testar prospektivt modellens noggrannhet, ett viktigt steg mot verklig användning, och arbetar med patienter, läkare och intressenter för att avgöra hur man bäst kan införliva information från modellen i klinisk praxis.

Detta är spännande framsteg i utvecklingen av ett förutsägande verktyg som, i kombination med läkares expertis, kan bidra till att förbättra mödrars mentala hälsa. Med ytterligare validering och samarbete med läkare och patienter hoppas vi kunna uppnå tidigare identifiering och i slutändan förbättra mentala hälsoresultat för postpartumpatienter. "

Mark Clapp, MD, MPH, avdelningen för obstetrik och gynekologi, Massachusetts General Hospital

Källor: