Arye Nehorai, Professeur Eugene et Martha Lohman de génie électrique au département Preston M. Green de génie électrique et des systèmes (ESE) de l’Université Washington à St. Louis et Uri Goldsztejn, doctorant au département de génie biomédical travaillant sous sa supervision, ont entraîné un modèle de deep learning avec des données électriques (HEG) pour prédire les naissances prématurées dès 31 semaines de grossesse. Les résultats de leur recherche ont été publiés le 11 mai dernier dans PLoS One.
Près d’un bébé sur dix dans le monde naît prématurément, c’est-à-dire avant 8 mois et demi de grossesse ce qui peut entraîner un déficit neurologique permanent et est l’une des principales causes de mortalité infantile. En France, on compte chaque année près de 55 000 naissances prématurées, avec 15% de grands prématurés (naissance entre 6 et 7 mois de grossesse) et 5% de très grands prématurés nés encore plus tôt.
Prévenir la prématurité est un enjeu de santé publique. Sa prédiction permettrait de mettre en place un suivi et une prise en charge médicale visant à retarder l’accouchement.
Le Pr Arye Nehorai explique :
“Notre méthode prédit les naissances prématurées à l’aide de mesures d’électrohystérogramme et d’informations cliniques acquises autour de la 31éme semaine de gestation avec une performance comparable aux normes cliniques utilisées pour détecter le travail imminent chez les femmes présentant des symptômes de travail prématuré”.
Cette recherche, qui a permis de développer la première méthode pour prédire les naissances prématurées dès 31 semaines en utilisant les mesures EHG atteignant une précision cliniquement utile, s’appuie sur des travaux antérieurs du laboratoire de Arye Nehorai. Dans cette étude, Arye Nehorai et ses collaborateurs avaient développé une méthode pour estimer le courant électrique dans l’utérus pendant les contractions en utilisant la magnétomyographie, une technique non invasive qui cartographie l’activité musculaire en enregistrant les champs magnétiques abdominaux produits par les courants électriques dans les muscles.
Elle s’appuie également sur des recherches d’Arye Nehorai et Uri Goldsztejn récemment publiées dans Biomedical Signal Processing and Control qui détaille une méthode de traitement statistique du signal pour séparer l’activité électrique utérine de l’activité électrique de base, comme celle du cœur de la femme, dans des mesures multidimensionnelles d’EHG pour identifier plus précisément les contractions utérines
Mesures EHG et données cliniques
L’EHG, électrohystérogramme ou électromyogramme utérin, permet d’enregistrer l’activité électrique de l’utérus grâce à un dispositif composé d’électrodes placées sur l’abdomen, reliées à un amplificateur de signaux électriques, connecté en Wi-Fi à un logiciel permettant l’analyse des signaux.
Pour leur étude, les chercheurs ont donc utilisé des mesures EHG ainsi que des informations cliniques provenant de deux bases de données publiques, telles que l’âge, l’âge gestationnel, le poids et les saignements au cours du premier ou du deuxième trimestre.
Ils ont entraîné un modèle de deep learning sur les données d’EHG de 30 minutes effectuées sur 159 femmes enceintes depuis au moins 26 semaines. Certains enregistrements ont été obtenus lors de contrôles réguliers tandis que d’autres ont été enregistrés auprès de mères hospitalisées avec des symptômes de travail prématuré. Parmi ces femmes, près de 19% ont accouché prématurément.
Uri Goldsztejn affirme :
“Nous avons prédit les résultats des grossesses à partir d’enregistrements EHG en utilisant un réseau neuronal profond, car les réseaux neuronaux apprennent automatiquement les caractéristiques les plus informatives des données. L’algorithme d’apprentissage profond a obtenu de meilleures performances que les autres méthodes et a fourni un bon moyen de combiner les données EHG avec les informations cliniques”.
Ils ont également démontré que les prédictions pouvaient être faites sur la base d’enregistrements EHG plus courts, voire de moins de cinq minutes, sans que la précision des prédictions ne soit réellement impactée.
Les deux chercheurs ont maintenant pour objectif de construire un dispositif pour mettre en oeuvre leur méthode et de collecter des données auprès d’une plus grande cohorte de femmes enceintes afin d’améliorer leur modèle et de valider les résultats.
Références de l’article :
Blog de l’École de génie McKelvey, Beth Miller
Goldsztejn U, Nehorai A. Prédire les naissances prématurées à partir d’enregistrements d’électrohystérogrammes via l’apprentissage profond. PLoS One, 11 mai 2023. DOI : https://doi.org/10.1371/journal.pone.0285219
.
