Pregestational neural network prediction of fetal growth restriction or small-for-gestational-age fetus with subsequent intensive care of the newborn

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

Objective: To create and test a prototype of a neural network tool for pregestational stratification of high-risk women according to the delivery of a fetus with growth restriction (FGR) or small for gestational age (SGA) and the need for intensive care of the newborn.

Materials and methods: This was a prospective cohort study which was conducted at the Perinatal Centre of the Republic of Crimea, N.A. Semashko Republican Clinical Hospital from 2018 to 2020. The study included 611 women with singleton pregnancies complicated by FGR (n=435) and SGA (n=176). The prognosis was performed using a personal computer: Statistica 12.0 software, Automated Neural Networks module.

Results: The use of automated neural network model analysis provided prototype tools for pregestational stratification of women at risk for FGR or SGA (model 1); the need for neonatal intensive care (model 2), including respiratory support (model 3). This neural network prediction effectively (accuracy of training, testing and validation of neural networks up to 100%) provides maternal clinical and anamnestic and socio-demographic parameters (place and permanence of residence, education, occupation, marital status; age, including paternal), height-weight, characteristics of reproductive function, reproductive experience, fetal weight in previous deliveries, gravidity, pre-eclampsia in previous pregnancy, the history of previous delivery and its mode).

Conclusion: The obtained neural network models demonstrate the possibility of developing tools that provide predictive clinical and management analytics. The obtained neural network models demonstrate the possibility of developing tools that provide predictive clinical and management analytics. These tools can be used by clinicians in daily practice and help them choose optimal pregnancy management, screening and diagnosis of disorders, and timely routing of pregnant women at the institutions of the appropriate level.

About the authors

Arsen A. Ziyadinov

N.A. Semashko Republican Clinical Hospital; V.I. Vernadsky Crimean Federal University

Author for correspondence.
Email: ars-en@yandex.ru

PhD, Obstetrician-Gynecologist at the Perinatal Center; Associate Professor at the Department of Obstetrics, Gynecology and Perinatology No. 1 of S.I. Georgievsky Medical Institute

Russian Federation, Simferopol; Simferopol

Vladislava A. Novikova

Peoples’ Friendship University of Russia

Email: kafedra-aig@mail.ru

Dr. Med. Sci., Professor of the Department of Obstetrics and Gynecology with a Course of Perinatology, Medical Institute

Russian Federation, Moscow

Victor E. Radzinsky

Peoples’ Friendship University of Russia

Email: kafedra-aig@mail.ru

Dr. Med. Sci., Professor, Corresponding Member of the Russian Academy of Sciences, Head of the Department of Obstetrics and Gynecology with a Course of Perinatology, Medical Institute

Russian Federation, Moscow

References

  1. Министерство здравоохранения Российской Федерации. Клинические рекомендации. Недостаточный рост плода, требующий предоставления медицинской помощи матери (задержка роста плода). М.; 2020. 71 с. [Ministry of Health of the Russian Federation. Clinical guidelines. Insufficient growth of the fetus, requiring the provision of medical care to the mother (fetal growth retardation). Moscow; 2020. 71 p. (in Russian)].
  2. Hokken-Koelega A.C.S., van der Steen M., Boguszewski M.C.S., Cianfarani S., Dahlgren J., Horikawa R. et al. International Consensus Guideline on small for gestational age: etiology and management from infancy to early adulthood. Endocr. Rev. 2023; 44(3): 539-65. https://dx.doi.org/10.1210/endrev/ bnad002.
  3. Lawn J.E., Ohuma E.O., Bradley E., Idueta L.S., Hazel E., Okwaraji Y.B. et al.; Lancet Small Vulnerable Newborn Steering Committee; WHO/UNICEF Preterm Birth Estimates Group; National Vulnerable Newborn Measurement Group; Subnational Vulnerable Newborn Measurement Group. Small babies, big risks: global estimates of prevalence and mortality for vulnerable newborns to accelerate change and improve counting. Lancet. 2023; 401(10389): 1707-19. https://dx.doi.org/10.1016/S0140-6736(23)00522-6.
  4. Nguyen Van S., Lobo Marques J.A., Biala T.A., Li Y. Identification of latent risk clinical attributes for children born under IUGR condition using machine learning techniques. Comput. Methods Programs Biomed. 2021; 200: 105842. https://dx.doi.org/10.1016/j.cmpb.2020.105842.
  5. Mutamba A.K., He X., Wang T. Therapeutic advances in overcoming intrauterine growth restriction induced metabolic syndrome. Front. Pediatr. 2023; 10: 1040742. https://dx.doi.org/10.3389/fped.2022.1040742.
  6. Vasilache I.-A., Scripcariu I.-S., Doroftei B., Bernad R.L., Cărăuleanu A., Socolov D. et al. Prediction of intrauterine growth restriction and preeclampsia using machine learning-based algorithms: a prospective study. Diagnostics. 2024; 14(4): 453. https://dx.doi.org/10.3390/diagnostics14040453.
  7. Rescinito R., Ratti M., Payedimarri A.B., Panella M. Prediction models for intrauterine growth restriction using artificial intelligence and machine learning: a systematic review and meta-analysis. Healthcare (Basel). 2023; 11(11): 1617. https://dx.doi.org/10.3390/healthcare11111617.
  8. Papastefanou I., Wright D., Nicolaides K.H. Competing-risks model for prediction of small-for-gestational-age neonate from maternal characteristics and medical history. Ultrasound Obstet. Gynecol. 2020; 56(2): 196-205. https://dx.doi.org/10.1002/uog.22129.
  9. Firatligil F.B., Sucu S.T., Tuncdemir S., Saglam E., Dereli M.L., Ozkan S. et al. Evaluation of systemic immune-inflammation index for predicting late-onset fetal growth restriction. Arch. Gynecol. Obstet. 2024; 310: 433-9. https:// dx.doi.org/10.1007/s00404-024-07453-x.
  10. Mohammad N., Sohaila A., Rabbani U., Ahmed S., Ahmed S., Ali S.R. Maternal predictors of intrauterine growth retardation. J. Coll. Physicians Surg. Pak. 2018; 28(9): 681-5. https://dx.doi.org/10.29271/jcpsp.2018.09.681.
  11. Yang L., Feng L., Huang L., Li X., Qiu W., Yang K. et al. Maternal factors for intrauterine growth retardation: systematic review and meta-analysis of observational studies. Reprod. Sci. 2023; 30(6): 1737-45. https:// dx.doi.org/10.1007/s43032-021-00756-3.
  12. Sufriyana H., Amani F.Z., Al Hajiri A.Z.Z., Wu Y.W., Su E.C. Prognosticating fetal growth restriction and small for gestational age by medical history. Stud. Health Technol. Inform. 2024; 310: 740-4. https://dx.doi.org/10.3233/SHTI231063.
  13. Wang Y., Shi Y., Zhang C., Su K., Hu Y., Chen L. et al. Fetal weight estimation based on deep neural network: a retrospective observational study. BMC Pregnancy Childbirth. 2023; 23(1): 560. https://dx.doi.org/10.1186/ s12884-023-05819-8.
  14. Taeidi E., Ranjbar A., Montazeri F., Mehrnoush V., Darsareh F. Machine learning-based approach to predict intrauterine growth restriction. Cureus. 2023; 15(7): e41448. https://dx.doi.org/10.7759/cureus.41448.
  15. Magboo V.P.C., Magboo M.S.A. Prediction of late intrauterine growth restriction using machine learning models. Procedia Computer Science. 2022; 207(2): 1427-36. https://dx.doi.org/10.1016/j.procs.2022.09.199.
  16. Dapkekar P., Bhalerao A., Kawathalkar A., Vijay N. Risk factors associated with intrauterine growth restriction: a case-control study. Cureus. 2023; 15(6): e40178. https://dx.doi.org/10.7759/cureus.40178.
  17. Jhee J.H., Lee S., Park Y., Lee S.E., Kim Y.A., Kang S.W. et al. Prediction model development of late-onset preeclampsia using machine learning-based methods. PLoS One. 2019; 14(8): e0221202. https://dx.doi.org/10.1371/ journal.pone.0221202.
  18. Benner M., Feyaerts D., Lopez-Rincon A., van der Heijden O.W.H., van der Hoorn M.L., Joosten I. et al. A combination of immune cell types identified through ensemble machine learning strategy detects altered profile in recurrent pregnancy loss: a pilot study. F S Sci. 2022; 3(2): 166-73. https:// dx.doi.org/10.1016/j.xfss.2022.02.002.
  19. Hoffman M.K., Ma N., Roberts A. A machine learning algorithm for predicting maternal readmission for hypertensive disorders of pregnancy. Am. J. Obstet. Gynecol. MFM. 2021; 3(1): 100250. https://dx.doi.org/10.1016/ j.ajogmf.2020.100250.
  20. Жуков О.Б. Черных В.Б. Искусственный интеллект в репродуктивной медицине. Андрология и генитальная хирургия. 2022; 23(4): 00-00. [Zhukov O.B., Chernykh V.B. Artificial intelligence in reproductive medicine. Andrology and Genital Surgery 2022; 23(4): 00-00. (in Russian)]. https:// dx.doi.org/10.17650/2070-9781-2022-23-4-00-00.
  21. Ившин А.А., Багаудин Т.З., Гусев А.В. Искусственный интеллект на страже репродуктивного здоровья. Акушерство и гинекология. 2021; 5: 17-24. [Ivshin A.A., Bagaudin T.Z., Gusev A.V. Artificial intelligence on guard of reproductive health. Obstetrics and Gynecology. 2021; (5): 17-24. (in Russian)]. https://dx.doi.org/10.18565/aig.2021.5.17-24.
  22. Буянова С.Н., Щукина Н.А., Темляков А.Ю., Глебов Т.А. Искусственный интеллект в прогнозировании наступления беременности. Российский вестник акушера-гинеколога. 2023; 23(2): 83-7. [Buyanova S.N., Schukina N.A., Temlyakov A.Yu., Glebov T.A. Artificial intelligence in pregnancy prediction. Russian Bulletin of Obstetrician-Gynecologist. 2023; 23(2): 83-7. (in Russian)]. https://dx.doi.org/10.17116/ rosakush20232302183.
  23. Драпкина Ю.С., Макарова Н.П., Васильев Р.А., Амелин В.В., Калинина Е.А. Сравнение прогностических моделей, построенных с помощью разных методов машинного обучения, на примере прогнозирования результатов лечения бесплодия методом вспомогательных репродуктивных технологий. Акушерство и гинекология. 2024; 2: 97-105. [Drapkina Yu.S., Makarova N.P., Vasiliev R.A., Amelin V.V., Kalinina E.A. Comparison of predictive models built with different machine learning techniques using the example of predicting the outcome of assisted reproductive technologies. Obstetrics and Gynecology. 2024; (2): 97-105. (in Russian)]. https:// dx.doi.org/10.18565/aig.2023.263.
  24. Bruno V., D'Orazio M., Ticconi C., Abundo P., Riccio S., Martinelli E. et al. Machine Learning (ML) based-method applied in recurrent pregnancy loss (RPL) patients diagnostic work-up: a potential innovation in common clinical practice. Sci. Rep. 2020; 10(1): 7970. https://dx.doi.org/10.1038/ s41598-020-64512-4.
  25. Khalifa M. Health analytics types, functions and levels: a review of literature. Stud. Health Technol. Inform. 2018; 251: 137-40.
  26. Kramer M.S. Socioeconomic determinants of intrauterine growth retardation. Eur. J. Clin. Nutr. 1998; 52 Suppl 1: S29-32; discussion S32-3.
  27. Tesfa D., Tadege M., Digssie A., Abebaw S. Intrauterine growth restriction and its associated factors in South Gondar zone hospitals, Northwest Ethiopia, 2019. Arch. Public Health. 2020; 78: 89. https://dx.doi.org/10.1186/ s13690-020-00475-2.
  28. Suhag A., Berghella V. Intrauterine Growth Restriction (IUGR): etiology and diagnosis. Curr. Obstet. Gynecol. Rep. 2013; 2: 102-11. https:// dx.doi.org/10.1007/s13669-013-0041-z.
  29. Успенский Ю. П., Иванов С. В., Фоминых Ю. А., Наркевич А. Н., Сегаль А.М., Гржибовский А.М. Прогнозирование развития жизнеугрожающих осложнений воспалительных заболеваний кишечника с использованием нейронных сетей: инструменты для практического здравоохранения. Экспериментальная и клиническая гастроэнтерология. 2023; 217(9): 20-33. [Uspenskiy Yu.P., Ivanov S.V., Fominykh Yu.A., Narkevich A.N., Grjibovski A.M., Segal’ A.M. Prediction of life-threatening complications of infl ammatory bowel disease using neural networks: a practical tool for health care professionals. Experimental and Clinical Gastroenterology. 2023; 217(9): 20-33. (in Russian)]. https://dx.doi.org/10.31146/1682-8658-ecg-217-9-20-33.
  30. Гусев А.В., Новицкий Р.Э. Технологии прогнозной аналитики в борьбе с пандемией COVID-19. Врач и информационные технологии. 2020; 4: 24-33. [Gusev A.V., Novitsky R.E. Predictive analytics technologies in the management of the COVID-19 pandemic. Medical Doctor and IT. 2020; (4): 24-33. (in Russian)]. https://dx.doi.org/10.37690/1811-0193-2020-4-24-33.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. Neonatal need for IT (a), including RP (b)

Download (684KB)
Indexing metadata
3. Fig. 2. Structure of the causes of UUI in the cohort (a), in VTE and IHF (b) and features of therapy of the newborn condition

Download (965KB)
Indexing metadata
4. Fig. 3. Example of stratification of women by input data into the classes sought: complication of pregnancy MGV or VTE (a); need for neonatal IT without (b) and with consideration of variant (group) and cause (c) of VTE; nature of neonatal therapy (d)

Download (972KB)
Indexing metadata
5. Fig. 4. Decreasing proportions of the generalised sensitivity (importance) of the input feature of the neural network when stratifying women into different classes: the NRT option (a), the need for subsequent IT of the newborn (b), including RP (c). Funnel diagram

Download (1MB)
Indexing metadata

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».