Physiology based machine learning and data analytics for perinatal monitoring - A novel framework for a comprehensive maternal, fetal, and neonatal profiling

The perinatal period plays a crucial role in shaping the early stages of everyone’s life. States of poor maternal, fetal, and neonatal wellbeing have profound repercussions with the potential for a lifelong impact. Throughout pregnancy, delivery, and postpartum mothers-to-be and their children are strongly interconnected one another resembling a dynamic system in rapid evolution. Nevertheless, a large portion of the investigational approaches in the perinatal field conceptualized pregnant women, fetuses, and babies as independent entities. The purpose of this Ph.D. thesis is to inform on a novel characterization of the perinatal period. The objective is to provide a pool of interpretable data-driven models capable of highlighting the potential emergence of states of risk or adverse outcomes. The original methodological contribution centers on the utilization of tools encompassing machine learning, artificial intelligence, and advanced signal processing techniques towards data imputation, non-parametric clustering, prediction, and network physiology analysis. Additionally, the novelty of this Ph.D. thesis lies in the analytic framework which consists of integration of heterogenous data sources. Quantitative data such as fetal, neonatal, and maternal physiological signals are complemented with qualitative data such us maternal lifestyle reports. We utilized Random Forests and Support Vectors Machines for the in-utero detection of fetal growth restriction, K-Nearest Neighbor and finite mixture model were employed to impute and cluster maternal alcohol and tobacco consumption during pregnancy, network physiology for the characterization of neonatal cardiorespiratory regulation, and recursive partitioning to predict neurodevelopmental outcome in toddlers combining longitudinal data recorded throughout the perinatal period. As a result, we provided evidence for the close interrelationship among maternal, fetal, and neonatal wellbeing by investigating i) the effects of maternal lifestyle on fetal and neonatal physiology, ii) the repercussion of fetal growth restriction on neonatal cardiorespiratory regulation, and iii) the influence of perinatal health in shaping subsequent neurodevelopmental trajectories. In conclusion, the quantitative framework proposed in this Ph.D. thesis is expected to substantially contribute toward promoting healthy pregnancy, safe childbirth, and reduce adverse outcome by building a sustainable network for perinatal health monitoring trained on heterogenous data fusion. The ultimate goal is to inform on monitoring solutions for risk assessment trained on dynamical and longitudinal indicators of perinatal health.

Il periodo perinatale ricopre un ruolo fondamentale nel condizionare le iniziali fasi di vita di ogni individuo. Condizioni di scarso benessere materno, fetale e neonatale hanno profonde ripercussioni associate ad un potenziale impatto permanente sulla salute dei citati individui. Durante la gravidanza, il travaglio, ed il periodo successivo al parto le gestanti ed i loro figli sono fortemente interconnessi tra loro, al punto da somigliare ad un sistema dinamico in rapida evoluzione. Tuttavia, la maggioranza degli approcci sperimentali nel campo perinatale ha analizzato donne incinte, feti e neonati come entità indipendenti. Lo scopo della presente Tesi di Dottorato di Ricerca è di informare riguardo una innovativa caratterizzazione del periodo perinatale. L'obiettivo è fornire un insieme di modelli interpretabili basati sui dati in grado di evidenziare la potenziale comparsa di stati di rischio. Il contributo metodologico originale si concentra sull'utilizzo di strumenti che comprendono il machine learning, l'intelligenza artificiale e tecniche avanzate di elaborazione dei segnali quali l’imputazione dei dati, il clustering non parametrico, la predizione, e l'analisi delle reti fisiologiche. Inoltre, l’aspetto innovativo di questo dottorato di ricerca risiede nel quadro analitico che consiste nell'integrazione di fonti di dati eterogenee. Dati quantitativi quali segnali fisiologici fetali, neonatali e materni sono integrati con dati qualitativi come i rapporti sullo stile di vita materno. Sono state utilizzate Random Forests e Support Vectors Machines per la detezione del ritardo di crescita fetale in utero, K-Nearest Neighbor e finite mixture model sono stati impiegati per imputare e clusterizzare il consumo materno di alcol e tabacco durante la gravidanza, l'analisi delle reti fisiologiche per la caratterizzazione della regolazione cardiorespiratoria neonatale, e recursive partitioning per predire profili di sviluppo cognitivo neurologico in infanti. I risultati hanno fornito prova della stretta interrelazione tra benessere materno, fetale e neonatale in termini di: i) effetti dello stile di vita materno sulla fisiologia fetale e neonatale, ii) ripercussioni del ritardo di crescita fetale sulla regolazione cardiorespiratoria neonatale e iii) influenza della salute perinatale nel condizionare le successive traiettorie di sviluppo neurologico. In conclusione, il modello analitico presentato in questa tesi di dottorato di ricerca propone un approccio sostenibile per il monitoraggio della salute perinatale. Tale approccio contribuisce in modo sostanziale alla promozione di una gravidanza sana, al parto sicuro e alla riduzione degli esiti avversi. L'obiettivo finale è quello implementare soluzioni per il monitoraggio longitudinale della salute perinatale al fine di informare riguardo potenziali stati di rischio.