Predicting fetal weight disorders in diabetic pregnancies: an explainable machine learning approach

During pregnancy, careful monitoring is crucial to prevent complications, with particular attention to diabetes mellitus, which increases the danger of issues for both the mother and the fetus. The most commonly employed examination in clinical practice during pregnancy is Cardiotocography (CTG) and this study focuses on the impact of maternal history and parameters derived from fetal heart rate (FHR) extracted with computerized CTG (cCTG) on the classification of fetal weight categories, particularly Small for Gestational Age (SGA), Normal for Gestational Age (NGA), and Large for Gestational Age (LGA). Weight pathologies during fetal development are indeed among the complications most closely linked to diabetes. Machine learning classifiers were trained using mater nal clinical features and FHR signal parameters obtained from cCTG systems. Logistic Regression models and Multilayer Perceptron (MLP) models were employed to predict weight categories. The first one achieves a balanced accuracy of 54.7%, while the second one reaches 52.6% in three class classification. Both results are increased if a majority voting is performed, suggesting that a larger number of records can enhance the accuracy of the prediction. For interpreting the results, SHapley Additive exPlanations was used, a method for explaining machine learning models that employs coalition game theory and Shapley values to interpret the predictions of such models, offering insights into both feature importance and interaction effects. The interpretation of results indicates that maternal history variables play a significant role, as it was known in clinical practice, in predicting weight categories. However, this study highlights how the contribution of parameters from cCTG, in particular the complexity index of Lempel-Ziv, the number of acceleration of the signal, the multiscale entropy and the percentage of activity seg ments, is also fundamental compared to maternal variables. Some variables have shown a different or less significant impact than expected by previous studies, underscoring that parameters distinguishing between healthy and diseased groups might not equally differentiate within a solely pathological group. The study highlighted so the importance of combination of maternal history and fetal signal parameters in predicting fetal weight categories, aiming to enhance fetal well-being monitoring and clinical decision-making in pregnancies compicated by diabetes mellitus.

Durante la gravidanza, un monitoraggio attento è cruciale per prevenire complicazioni, con particolare attenzione al diabete mellito, che aumenta il rischio di problemi sia per la madre che per il feto. L’esame più comunemente impiegato nella pratica clinica durante la gravidanza è la cardiotocografia (CTG) e questo studio si concentra sull’impatto della storia materna e dei parametri derivati dalla frequenza cardiaca fetale (FHR) estratta con la CTG computerizzata (cCTG) sulla classificazione delle categorie di peso fetale, in particolare Piccolo per l’età gestazionale (PEG), Normale per l’età gestazionale (NEG) e Grande per l’età gestazionale (GEG). Le patologie legate al peso durante lo sviluppo fetale sono infatti tra le complicazioni più strettamente legate al diabete. Classificatori di apprendimento automatico sono stati addestrati utilizzando caratteristiche cliniche materne e parametri del segnale FHR ottenuti dai sistemi cCTG. Sono stati impiegati modelli di regressione logistica e modelli di perceptron multistrato (MLP) per prevedere le categorie di peso. Il primo raggiunge un’accuratezza bilanciata del 54,7%, mentre il secondo raggiunge il 52,6% nella classificazione a tre classi. Entrambi i risultati aumentano se viene eseguito un voto maggioritario, suggerendo che un maggior numero di registrazioni può migliorare l’accuratezza della previsione. Per interpretare i risultati, è stato utilizzato SHapley Additive exPlanations, un metodo per spiegare i modelli di apprendimento automatico che utilizza la teoria dei giochi di coalizione e i valori di Shapley per interpretare le previsioni di tali modelli, offrendo approfondimenti sia sull’importanza delle caratteristiche che sugli effetti di interazione. L’interpretazione dei risultati indica che le variabili della storia materna giocano un ruolo significativo, come era noto nella pratica clinica, nella previsione delle categorie di peso. Tuttavia, questo studio evidenzia come il contributo dei parametri dalla cCTG, in particolare l’indice di complessità di Lempel-Ziv, il numero di accelerazioni del segnale, l’entropia multiscala (MSE) e la percentuale di segmenti di attività, sia fondamentale rispetto alle variabili materne. Alcune variabili hanno mostrato un impatto diverso o meno significativo rispetto a quanto previsto da studi precedenti, sottolineando che i parametri che distinguono tra gruppi sani e malati potrebbero non differenziare in modo equo all’interno di un gruppo esclusivamente patologico. Lo studio ha quindi evidenziato l’importanza della combinazione di storia materna e parametri del segnale fetale nella previsione delle categorie di peso fetale, mirando a migliorare il monitoraggio del benessere fetale e la decisione clinica nelle gravidanze complicate dal diabete mellito.