Un gruppo internazionale di ricercatori ha sviluppato un sistema basato su intelligenza artificiale capace di anticipare le complicanze della gravidanza e del parto sfruttando i normali controlli di routine. Il progetto, illustrato sulla rivista Nature Medicine, introduce MoChiAgent, una piattaforma che rielabora la sequenza temporale di esami del sangue e parametri vitali già presenti nelle cartelle cliniche.
A differenza di altri approcci diagnostici avanzati, questo metodo non richiede test genetici o strumentazioni inedite. Il modello agisce analizzando la traiettoria complessiva dei dati standard accumulati nel corso dei mesi di gestazione.
L’addestramento su oltre 4,4 milioni di cartelle cliniche
Il nucleo computazionale dell’architettura si chiama MoChiFormer. Gli sviluppatori lo hanno addestrato ed esaminato internamente attraverso 4.401.599 visite cliniche longitudinali.
La successiva fase di validazione esterna ha coinvolto coorti indipendenti formate da 263.452 visite materne e 23.192 visite pediatriche. Il software colma le eventuali lacune nei registri digitali e identifica schemi predittivi nelle diverse fasi della gravidanza.
Nelle valutazioni sulle complicanze ostetriche, il sistema ha registrato punteggi di discriminazione (AUROC) pari a 0,89 per il distacco di placenta, 0,89 per la rottura prematura delle membrane e 0,91 per il travaglio pretermine, su una scala dove 1 rappresenta la precisione assoluta e 0,5 l’equivalente del caso.
La correlazione statistica tra madre e neonato
Il sistema valuta contestualmente i profili della madre e del nascituro anziché trattarli come compartimenti isolati. Mettendo in relazione queste due banche dati, i ricercatori hanno individuato specifici gruppi a maggior rischio clinico.
In alcuni profili materni profilati dall’algoritmo, i neonati mostravano un incremento dell’incidenza di ittero neonatale (hazard ratio di 2,81) e di patologie ematologiche (hazard ratio di 2,83). Si tratta di associazioni statistiche, non di legami di causa ed effetto certi.
La combinazione dei dati prenatali con i parametri rilevati subito dopo la nascita ha affinato la predizione per patologie respiratorie e anomalie cromosomiche infantili.
Applicazione di modelli computazionali alla documentazione medica della gravidanza
I limiti attuali del machine learning perinatale
L’integrazione di questi modelli nella pratica ospedaliera quotidiana richiede cautela. Una revisione sistematica pubblicata sulla rivista scientifica eClinicalMedicine, condotta su 90 ricerche dedicate al machine learning negli esiti perinatali, ha documentato una performance media moderata e un elevato rischio di bias metodologico nella quasi totalità dei lavori.
Per eventi come il parto pretermine o lo scarso accrescimento fetale rispetto all’età gestazionale, gli algoritmi di intelligenza artificiale non hanno dimostrato vantaggi netti rispetto ai tradizionali modelli statistici di regressione.
MoChiAgent si propone come supporto decisionale per i medici, pensato per evidenziare traiettorie anomale su grandi volumi di dati prima che le complicanze si manifestino clinicamente.
