Autore: Martina Pacifici, Osservatorio di Epidemiologia, Agenzia Regionale di Sanità della Toscana, Firenze (FI)
martina.pacifici@ars.toscana.it
Monia Puglia, Osservatorio di Epidemiologia, Agenzia Regionale di Sanità della Toscana, Firenze (FI); Caterina Silvestri, Osservatorio di Epidemiologia, Agenzia Regionale di Sanità della Toscana, Firenze (FI); Caterina Milli, Osservatorio di Epidemiologia, Agenzia Regionale di Sanità della Toscana, Firenze (FI); Michela Baccini, Dipartimento di Statistica e Applicazioni Giuseppe Parenti, Università degli Studi di Firenze, Firenze (FI); Fabio Voller, Osservatorio di Epidemiologia, Agenzia Regionale di Sanità della Toscana, Firenze (FI). * Co-senior authorship
Categoria Primaria: Salute materno-infantile
Categoria Secondaria: Salute mentale
Introduzione: La depressione postpartum (DPP) è definita come l’insorgenza di sintomi depressivi entro il primo anno dal parto. L’identificazione precoce delle madri a rischio potrebbe evitare l’insorgenza di questa malattia così come una serie di conseguenze negative sulla donna, il bambino e la loro relazione.
Obiettivi: Sviluppare un algoritmo di machine-learning (ML) che sia in grado di classificare le donne come a rischio o meno di sviluppare la DPP già al momento della dimissione dall’ospedale dopo il parto.
Metodi: Attraverso un’operazione di record linkage fra l’anagrafe degli assistiti e l’archivio dei Certificati di Assistenza al Parto (CedAP) sono state selezionate tutte le donne residenti in Toscana da almeno 10 anni che hanno partorito sul territorio regionale dal 2018 al 2020. Un’ulteriore record linkage con i flussi sanitari SALM, SDO, PS, FED, SPF e CON ha permesso l’identificazione di problemi di salute mentale sia pregressi (nell’arco degli ultimi 10 anni) che al momento del parto o nell’anno successivo, definendo così l’outcome dell’analisi. Dal database ottenuto è stato campionato un 8% di unità con dati completi da usare come ‘test set’. Sul restante 92% dei soggetti è stato utilizzato un metodo di imputazione multipla, ottenendo 10 database imputati. Ognuno di questi è stato utilizzato per allenare algoritmi di classificazione binaria (Logistic Regression, Random Forest, Gradient Boosting e due Support Vector Machines) le cui performances, in termini di accuracy, balanced accuracy, specificità e sensitività, sono state calcolate come media entro le 10 imputazioni con una 10-fold-cross-validation ripetuta 10 volte. In fase di training sono state impiegate tecniche di ricampionamento per superare i problemi di imbalance. L’algoritmo migliore è stato infine ri-allenato su ognuna delle imputazioni e testato sul test set. Le misure di variabile importance sono calcolate come media sulle 10 imputazioni.
Risultati: Sono stati inclusi nello studio 41.383 parti, a seguito dei quali il 4,8% delle donne ha sviluppato la DPP. L’algoritmo con performances migliori è risultato essere la Random Forest. L’accuracy sul test set era pari a 0,80, la sensitivity 0,73, la specificity 0,80, la balanced accuracy 0,77. Le variabili più importanti termini di decrescita media dell’indice di Gini sono state: avere avuto precedenti problemi di salute mentale, età al parto e tipo di nutrizione del bambino immediatamente postpartum.
Conclusioni: Le variabili più importanti dal punto di vista predittivo sono in linea con i fattori di rischio per la DPP riscontrati in letteratura. La salute mentale delle madri dovrebbe essere seguita fin dalle prime fasi della gravidanza e nel postpartum, specialmente se la donna ha avuto precedenti problemi. Sviluppare algoritmi di ML su dati amministrativi opportunamente pre-processati può fornire indicazioni preziose in materia di prevenzione e programmazione sanitaria e essere di aiuto nella pratica clinica