日本語AIでPubMedを検索
国際的な前向きコホート研究のデータに基づいた胎児の妊娠年齢の正確な推定と胎児の成長の個人化された予測の達成：人口ベースの機械学習研究
Achieving accurate estimates of fetal gestational age and personalised predictions of fetal growth based on data from an international prospective cohort study: a population-based machine learning study.
PMID: 32617525 PMCID: PMC7323599. DOI: 10.1016/S2589-7500(20)30131-X.
抄録
背景:
早産は、主要な世界的な健康問題であり、5 歳未満の子供の死亡原因の第一位であり、人口の一般的な健康と栄養状態の主要な測定値である。胎児の妊娠年齢を推定する現在の臨床方法は、しばしば不正確である。例えば、妊娠20週から30週の間では、超音波による最良の推定値を用いても、実際の妊娠年齢の周囲の95％予測間隔の幅は18～36日と推定されている。本研究の目的は、胎児の妊娠年齢の推定値を改善し、将来の成長のパーソナライズされた予測を提供することである。
Background: Preterm birth is a major global health challenge, the leading cause of death in children under 5 years of age, and a key measure of a population's general health and nutritional status. Current clinical methods of estimating fetal gestational age are often inaccurate. For example, between 20 and 30 weeks of gestation, the width of the 95% prediction interval around the actual gestational age is estimated to be 18-36 days, even when the best ultrasound estimates are used. The aims of this study are to improve estimates of fetal gestational age and provide personalised predictions of future growth.
方法:
超音波から得られた胎児の生体情報を用いて、機械学習アプローチを開発し、正確に妊娠年齢を推定することができました。この方法の精度は、母親の最後の月経の日付ではなく、各胎児に関する正確な既知の事実（具体的には、超音波検査の受診間隔）を参照することによって決定されます。データは、21 世紀の国際胎児・新生児成長コンソーシアム（INTERGROWTH-21st）の大規模な多施設、人口ベースの研究の健康で栄養状態の良い参加者のサンプルに由来しています。アルゴリズムの一般化可能性は、異なる、より異質な集団（INTERBIO-21st Fetal Study）からのデータで示されています。
Methods: Using ultrasound-derived, fetal biometric data, we developed a machine learning approach to accurately estimate gestational age. The accuracy of the method is determined by reference to exactly known facts pertaining to each fetus-specifically, intervals between ultrasound visits-rather than the date of the mother's last menstrual period. The data stem from a sample of healthy, well-nourished participants in a large, multicentre, population-based study, the International Fetal and Newborn Growth Consortium for the 21st Century (INTERGROWTH-21st). The generalisability of the algorithm is shown with data from a different and more heterogeneous population (INTERBIO-21st Fetal Study).
研究成果:
2 つの大規模なデータセットのコンテキストでは、第 2 トリミングと第 3 トリミングにまたがる 10 週間のウィンドウで行われた測定値を使用して、妊娠 20 週から 30 週の間の妊娠年齢を 3 日以内に 95%の信頼度で推定しました。このようにして、胎児の妊娠20～30週の妊娠年齢ウィンドウでは、これまでのどのアルゴリズムよりも3～5倍の予測間隔で胎児の妊娠年齢を推定することができます。これにより、個々の妊娠の管理を改善することが可能になります。特定の胎児の成長軌跡の6週間予測は、7日以内に正確になります。これにより、リスクのある胎児を現在よりも正確に特定することが可能になります。集団レベルでは、精度が高くなることで、胎児成長図や集団健康評価の改善が期待されています。
Findings: In the context of two large datasets, we estimated gestational age between 20 and 30 weeks of gestation with 95% confidence to within 3 days, using measurements made in a 10-week window spanning the second and third trimesters. Fetal gestational age can thus be estimated in the 20-30 weeks gestational age window with a prediction interval 3-5 times better than with any previous algorithm. This will enable improved management of individual pregnancies. 6-week forecasts of the growth trajectory for a given fetus are accurate to within 7 days. This will help identify at-risk fetuses more accurately than currently possible. At population level, the higher accuracy is expected to improve fetal growth charts and population health assessments.
解釈:
機械学習は、母親の最後の月経期間の日付など、しばしば不正確に知られている情報に頼らずに、胎児の妊娠年齢と将来の成長の軌跡を決定する上で長年の制限を回避することができます。このアルゴリズムを臨床で使用することで、個々の妊娠の管理を容易にし、集団レベルの健康を向上させることができます。本研究が発表された時点で、妊娠年齢推定アルゴリズムは研究目的のためにウェブポータルを介して無料で提供される予定である。
Interpretation: Machine learning can circumvent long-standing limitations in determining fetal gestational age and future growth trajectory, without recourse to often inaccurately known information, such as the date of the mother's last menstrual period. Using this algorithm in clinical practice could facilitate the management of individual pregnancies and improve population-level health. Upon publication of this study, the algorithm for gestational age estimates will be provided for research purposes free of charge via a web portal.
資金調達:
Funding: Bill & Melinda Gates Foundation, Office of Science (US Department of Energy), US National Science Foundation, and National Institute for Health Research Oxford Biomedical Research Centre.
© 2020 The Author(s). Published by Elsevier Ltd. This is an Open Access article under the CC BY 4.0 license.