Datenbasierte longitudinale Charakterisierung der Gesundheit und Morbidität von Neugeborenen
Abstract des Artikels:
Obwohl Frühgeburtlichkeit die häufigste Todesursache bei Kindern unter fünf Jahren ist, fehlt derzeit eine präzise Definition und Vorhersagegrundlage für Frühgeburt und deren Folgen. In dieser Studie wird ein longitudinales Risikomodell vorgestellt, das auf elektronischen Gesundheitsakten (EHRs) basiert und ungünstige neonatale Gesundheitsverläufe auf der Grundlage von Daten während und nach der Geburt vorhersagt. Durch die Verknüpfung der EHRs des Lucile Packard Children’s Hospital mit dem Stanford Healthcare Adult Hospital wurde eine Kohorte von 22.104 Mutter-Kind-Paaren aus den Jahren 2014 bis 2018 erstellt. Diese Daten dienten zum Training eines Multi-Input-Multitask-Deep-Learning-Modells, das kurzfristige neonatale Risiken vorhersagt. Eine zusätzliche Kohorte von 10.250 Geburten zwischen 2019 und September 2020 wurde zur Validierung genutzt. Das Modell erreichte für die meisten der 24 bewerteten Gesundheitsoutcomes hohe Vorhersageleistungen (AUC 0,8–0,9). Darüber hinaus identifizierte eine Assoziationsanalyse zahlreiche Zusammenhänge zwischen mütterlichen Merkmalen und spezifischen neonatalen Gesundheitsverläufen. Insgesamt bietet die Studie ein leistungsfähiges Werkzeug zur Risikoabschätzung und ein wertvolles Datenset, das Forscher:innen über eine interaktive Website nutzen können: https://maternal-child-health-associations.shinyapps.io/shiny_app/.
Dieser Artikel wurde unter Mitarbeit von Dr. Melan Thuraiappah am 15.02.2023 im Science Translational Medicine veröffentlicht.