在最近发表在npj Digital Medicine上的一篇文章中，研究人员开发了series2signal，这是一种新颖的、最先进的预测模型，它使用孕妇的可穿戴数据来预测胎龄(GA)，作为妊娠进展和不良妊娠结局(尤其是早产)可能性的代表，基于可穿戴设备检测到的母亲睡眠质量和身体活动(PA)水平的变化。
背景
肺结核是全世界儿童死亡的主要原因。然而，预防肺结核的有效和低成本干预措施很少。
母亲的身体活动水平和睡眠质量是应激和生理炎症的两个强有力的调节剂，可以影响妊娠进程，增加早产的可能性。通过可穿戴设备收集睡眠质量和反映母亲压力的PA数据既简单又便宜，但很难解释。
将可穿戴数据集成到临床工作流程中的主要挑战之一是分析他们收集的连续、冗长和低维数据。
因此，在这项研究中，研究人员开发了一种新的分析管道，将可穿戴数据的预测与可理解的人工智能相结合，以解释他们的预测模型的输出。它有助于揭示所有风险行为之间的复杂关系，例如压力和炎症，这些行为会增加患肺结核的风险。最重要的是，这种分析是客观和准确的。
一个关于这项研究
在本研究中，研究人员从华盛顿大学医学院和当地社区招募了1083名计划怀孕并愿意在整个怀孕期间佩戴活动记录仪的女性(年龄≥18岁)。
研究小组要求她们在怀孕的前三个月佩戴活动记录仪，以记录一周的胎龄(GA)指标数据。他们为下载的活动记录仪数据分配了一个GA标签，这些数据包括181944小时的数据，其中2305个数据点记录了怀孕期间的睡眠模式和PA水平。
活动记录仪数据是一个长度为10080的二维(2D)时间序列数据集，在一周内以一分钟为周期设置。将机器学习管道应用于该数据集，帮助研究人员通过可穿戴设备监测怀孕情况。换句话说，该研究模型的基于ai的深度学习算法无缝地识别了大型研究数据集中睡眠期间和怀孕期间PA发生的动态变化。
该团队使用Kruskal-Wallis或卡方检验进行统计分析，显著性水平p<0.001。
结果
平均GA为21周。某些因素，如产妇体重指数(BMI)、早产史(PTB)和合并症，如高血压和糖尿病，在妊娠导致PTB的患者中比足月分娩的患者更常见。
更容易早产的患者，即PTB+组，剖腹产、新生儿并发症和死亡的几率也高于PTB-组，组间富集率为45.4%，p<0.001。
Series2signal在预测GA和可靠预测PTB风险方面的表现明显优于其他7种机器学习方法。这些数据有助于确定具有成本效益的干预措施，以减少其发生的可能性。
当研究模型低估GA时，PTBs比预期少0.52倍，而GA高估时PTBs增加1.44倍。请注意，预测GA和实际GA之间的差异(“活动性GA”)是PTB风险的有力指标。
模型误差与日间稳定性呈负相关(Spearman系数，P = 0.043)，表明当雌性的日节律较不精确时，该模型分配了更高级的GA。因此，该模型认为睡眠时间在预测高于实际GA方面的重要性高于低于实际GA。
结论
迄今为止，LMP和超声波的结合在确定GA方面仍然比可穿戴设备更准确。然而，结合预测和基于人工智能的可解释性的预测模型可以帮助临床医生准确识别PA和睡眠行为改变何时会增加PTB的可能性。
通过可穿戴设备的被动监测，临床医生可以建议改变运动习惯和睡眠，这将有助于避免不良的怀孕结果，包括肺结核。他们可以根据可穿戴设备进行的测量和series2信号模型预测，跟踪患PTB风险较高的孕妇的轨迹，这种方法在低收入和中等收入国家(LMICs)尤其有益，因为这些国家无法获得生物样本来检查早产的潜在原因。
即使在其他方面，研究导致肺结核的生物和环境因素也是必要的，因为其发病率在全球范围内正在增加，可能是由于在怀孕期间缺乏医疗咨询、持续监测和及时干预(必要时)。
到目前为止，使用可穿戴设备、深度学习和计算模型分析来预测PTB风险是一种概念验证。需要随机对照试验(rct)来证明这种方法在帮助降低肺结核发病率和婴儿死亡率方面的有效性。
