Kan kunstmatige intelligentie vroeggeboorte voorspellen?

Vroeggeboorte, waarbij een baby vóór 37 weken zwangerschap wordt geboren, is een groot medisch probleem. Het verhoogt de kans op complicaties bij de baby en brengt vaak langdurige ziekenhuisopnames met zich mee. Maar wat als we dit beter konden voorspellen?

Een nieuwe studie¹ toont aan dat machine learning – een vorm van kunstmatige intelligentie – een belangrijke rol kan spelen bij het inschatten van het risico op vroeggeboorte. Hierdoor kunnen artsen mogelijk sneller ingrijpen en betere zorg bieden aan zwangere vrouwen met een verhoogd risico.

Waarom is vroeggeboorte een probleem?

Elk jaar worden wereldwijd miljoenen baby’s te vroeg geboren. Dit brengt verschillende risico’s met zich mee, zoals ademhalingsproblemen, onderontwikkeling van organen en een verhoogd risico op infecties.

Hoe vroeger een baby wordt geboren, hoe groter de kans op ernstige complicaties. Extreme vroeggeboorte (voor 28 weken) kan leiden tot blijvende gezondheidsproblemen, zoals hersenschade of blindheid.

Naast de medische gevolgen zijn er ook emotionele en financiële gevolgen. Ouders ervaren vaak veel stress en angst, terwijl ziekenhuisopnames hoge kosten met zich meebrengen.

Wat onderzochten de wetenschappers?

Onderzoekers verzamelden gegevens van 50 zwangere vrouwen die waren opgenomen in een kraamkliniek. Deze gegevens bestonden uit:

• Bloedtesten, die routinematig worden afgenomen bij zwangere vrouwen.
• Levensstijlvragenlijsten, met informatie over onder andere voeding, roken en eerdere zwangerschappen.

Het doel was om te testen of machine learning-modellen, die patronen herkennen in grote hoeveelheden data, het risico op vroeggeboorte konden voorspellen.

Hoe werkt machine learning in dit onderzoek?

Machine learning is een vorm van kunstmatige intelligentie die leert van data en voorspellingen kan doen. In dit onderzoek werden verschillende modellen getest, waaronder:

• Support Vector Machine (SVM)
• Logistic Regression
• XGBoost en CatBoost

Deze modellen werden getraind met de verzamelde gegevens en vervolgens getest op nauwkeurigheid.

Wat waren de resultaten?

De beste resultaten kwamen van het lineaire SVM-model, dat met 82% nauwkeurigheid kon voorspellen of een vrouw een verhoogd risico had op vroeggeboorte.

Andere modellen, zoals decision trees en random forests, presteerden minder goed. Dit kwam waarschijnlijk doordat de dataset relatief klein was en sommige modellen te ingewikkeld waren voor deze specifieke taak.

Welke factoren spelen een rol bij vroeggeboorte?

De machine learning-modellen toonden aan dat bepaalde factoren een grotere rol speelden bij het voorspellen van vroeggeboorte. De belangrijkste waren:

• Hematocriet (HCT): vrouwen die op tijd bevielen, hadden gemiddeld een iets hoger HCT-gehalte.
• C-reactief proteïne (CRP): een verhoogde CRP-waarde kan duiden op ontstekingen, wat een rol kan spelen bij vroeggeboorte.
• Bloedplaatjes (PLT): afwijkingen in de bloedstolling kunnen een verband hebben met vroeggeboorte.
• Opleidingsniveau: vrouwen met een lager opleidingsniveau hadden een hoger risico, mogelijk door verschillen in leefstijl en toegang tot zorg.

Opvallend was dat factoren zoals BMI en roken in deze studie geen significante voorspellende waarde hadden.

Wat betekent dit voor de toekomst?

Als machine learning betrouwbaar kan voorspellen welke vrouwen een verhoogd risico op vroeggeboorte hebben, kunnen artsen sneller ingrijpen. Mogelijke interventies zijn:

• Medicatie, zoals progesteron, om een vroegtijdige bevalling te voorkomen.
• Cervicale cerclage, een ingreep waarbij de baarmoedermond wordt verstevigd.
• Striktere controle van risicopatiënten, zodat ze vaker worden gemonitord.

Daarnaast kan deze technologie in de toekomst mogelijk worden ingezet in huisartspraktijken of verloskundige klinieken, zodat vrouwen eerder geïnformeerd en begeleid kunnen worden.

Wat zijn de beperkingen van dit onderzoek?

Hoewel de resultaten veelbelovend zijn, zijn er enkele beperkingen:

• Kleine dataset: de studie werd uitgevoerd met slechts 50 vrouwen. Grotere onderzoeken zijn nodig om de resultaten te bevestigen.
• Late metingen: de meeste data werden verzameld in het tweede en derde trimester. Vroegere detectie zou nog effectiever kunnen zijn.
• Geen genetische gegevens: genetische factoren spelen een rol bij vroeggeboorte, maar deze werden in dit onderzoek niet meegenomen.

Toekomstig onderzoek zou zich kunnen richten op grotere en meer diverse datasets, inclusief genetische en omgevingsfactoren.

Conclusie: AI als hulpmiddel in zwangerschapszorg

Deze studie toont aan dat kunstmatige intelligentie veel potentie heeft in de voorspelling van vroeggeboorte. Machine learning-modellen, vooral het SVM-model, kunnen met hoge nauwkeurigheid risico’s inschatten op basis van eenvoudige bloedtesten en vragenlijsten.

Dit betekent niet dat artsen vervangen worden door AI, maar wél dat AI hen kan helpen betere beslissingen te nemen. Als deze technologie verder wordt ontwikkeld, kan dit leiden tot een gezondere start voor duizenden baby’s wereldwijd.

Meer lezen? Check het interview met Jennifer Cnops over fit blijven tijdens en na de zwangerschap.

Bron:

1. 16 februari 2025, Predicting preterm birth using machine learning methods ↩︎