一项新的基于AI的分析研究了几乎10,000例妊娠，发现了以前未被识别的风险因素组合，这些组合与严重的负面妊娠结果（包括死产）有关。该研究还发现，目前在临床指南中被视为相同处理的婴儿之间可能存在高达十倍的风险差异。
这项研究的资深作者、犹他大学健康学院的Nathan Blue医学博士表示，研究人员生成的AI模型帮助识别了一个“非常意外”的高风险因素组合，这一步骤对于更个性化的风险评估和妊娠护理至关重要。新结果发表在《BMC Pregnancy and Childbirth》上。
意外风险
研究人员从一个全国范围内的现有数据集开始，该数据集包括9,558例妊娠的信息，涵盖了孕妇的社会和身体特征，如社会支持水平、血压、病史、胎儿体重以及每例妊娠的结果。通过使用AI寻找数据中的模式，他们识别出了与不健康的妊娠结果（如死产）相关的新组合的母体和胎儿特征。
通常情况下，女性胎儿的并发症风险略低于男性胎儿——这是一个小但已建立的效果。然而，研究团队发现，如果孕妇患有既往糖尿病，女性胎儿的风险高于男性胎儿。这一先前未被检测到的模式表明，AI模型可以帮助研究人员了解关于妊娠健康的新知识。“它检测到了一些即使是经验丰富的医生也无法识别的风险因素”，Blue说道。Blue是犹他大学医学院Spencer Fox Eccles医学系妇产科的助理教授。
研究人员特别关注处于体重最低10%但不低于3%的胎儿。这些婴儿虽然体型较小，但仍有可能是健康的。如何在这种情况下做出最佳决策是一个挑战：妊娠是否需要密集监测和潜在的早期分娩，还是可以大致按常规进行？当前的临床指南建议对所有此类妊娠进行密集医疗监测，这可能会带来显著的情感和经济负担。
然而，研究人员发现，在这个胎儿体重范围内，不健康妊娠结果的风险差异很大，从与平均妊娠风险相当到接近平均风险的十倍。这种风险基于多种因素的组合，如胎儿性别、是否存在既往糖尿病以及是否存在胎儿异常（如心脏缺陷）。
Blue强调，这项研究仅检测了变量之间的相关性，并未提供导致负面结果的实际原因。
为什么选择AI
无论是人类还是AI模型，估计妊娠风险都涉及到考虑大量变量，从母体健康到超声波数据。经验丰富的临床医生可以根据所有这些变量做出个体化护理决定，但即使是最好的医生也难以精确量化他们是如何得出最终决定的。人类因素如偏见、情绪或睡眠不足几乎不可避免地会渗入其中，并可能微妙地偏离理想的护理判断。
为了解决这个问题，研究人员使用了一种称为“可解释AI”的模型，该模型不仅提供了给定妊娠因素的估计风险，还包括了哪些变量贡献了风险估计以及贡献了多少的信息。与更常见的“黑箱”AI不同，后者即使对专家来说也难以理解，可解释模型“展示了其工作过程”，揭示了偏见的来源以便加以解决。
本质上，可解释AI模拟了专家临床判断的灵活性，同时避免了其缺点。研究人员的模型特别适合于评估罕见妊娠场景的风险，能够准确估计具有独特风险因素组合的人群的结果。这种工具最终可以通过指导那些情况独一无二的人做出明智的决策来实现个性化护理。
研究人员仍需在新人群中测试和验证他们的模型，以确保它能够在现实世界中预测风险。但Blue对可解释AI模型最终能帮助个性化妊娠风险评估和治疗充满希望。“AI模型可以基本上估算出与特定人的背景相关的风险，”他说，“并且它们可以透明和可重复地做到这一点，而我们的大脑无法做到。”
“这种能力将在我们领域内产生变革性的变化，”他说。
(全文结束)
