۲۳ژوئن ۲۰۲۵- دیابت بارداری یا GDM به ناتوانی بدن در تحمل گلوکز در دوران بارداری اشاره دارد که در صورت عدم کنترل صحیح، می ‌تواند عوارض جدی برای مادر و جنین در پی داشته باشد. محققان در یک مطالعه‌ ی جدید در ژورنالNPJ Women’s Health  به معرفی یک مدل هوش مصنوعی مبتنی بر نوسانات ضربان قلب(HRV)  پرداخته اند که قادر است خطر ابتلا به GDM را پیش ‌بینی کند.

مقدمه:

دیابت بارداری (GDM) یکی از شایع ‌ترین عوارض بارداری در جهان است که حدود 15 درصد از بارداری ‌ها را تحت تأثیر قرار می ‌دهد. این بیماری می ‌تواند باعث افزایش 34 درصدی در هزینه های مراقبت از مادر و افزایش 49 درصدی در هزینه های مراقبت های نوزادی شود. غربالگری آن معمولاً در هفته ‌های 24 تا 28 با تست تحمل گلوکز انجام می‌ شود، اما شواهد جدید نشان داده است که رشد غیرطبیعی جنین، مانند افزایش اندازه دور شکم ممکن است خیلی زودتر در مادران مسن ‌تر یا دارای اضافه‌ وزن آغاز شود.

تغییرات زودهنگام در رژیم غذایی و فعالیت بدنی پیش از هفته ی چهاردهم بارداری می ‌تواند از GDM جلوگیری کرده و نتایج بهتری برای مادر و جنین به همراه آورد. اگرچه پیش ‌بینی GDM با عوامل مادری نظیر وضعیت اقتصادی یا سابقه خانوادگی ساده است، اما دقت پایینی دارد. در مقابل، آزمایش ‌های تهاجمی مثل HbA1c دقیق‌ تر، اما دشوارتر هستند. مطالعه اخیر با استفاده از الگوریتم‌ های یادگیری ماشینی، به بررسی اثر اضافه کردن شاخص ‌های نوسانات ضربان قلب خواب (HRV) برای افزایش دقت پیش بینی GDM پرداخته است، که می‌تواند راهی غیرتهاجمی، سریع و مؤثر برای تشخیص زودهنگام باشد.

شاخص HRV در بارداری چیست و چرا اهمیت دارد؟

نوسان ضربان قلب (HRV) به تفاوت‌ های طبیعی بین فواصل پشت ‌سرهم ضربان ‌های قلب گفته می‌ شود که از طریق دستگاه‌ های پوشیدنی قابل اندازه‌ گیری است. در دوران بارداری، حجم خون مادر تا 40 درصد و ضربان قلب او از 10 تا 15 درصد افزایش می‌ یابد که مستقیماً بر HRV تأثیر می ‌گذارد. این شاخص با عملکرد سیستم عصبی خودکار مرتبط است و اختلال در آن، به ‌ویژه افزایش فعالیت سمپاتیک، می ‌تواند موجب سندرم متابولیک (شامل فشار خون بالا، قند خون بالا، چربی شکمی، و کلسترول ناسالم) شود - عواملی که خطر ابتلا به دیابت نوع ۲ و دیابت بارداری را بالا می‌ برند.

در بارداری، افزایش فعالیت سمپاتیک ممکن است باعث تغییر عملکرد سلول ‌های بتا در پانکراس شود - سلول‌ هایی که مسئول ترشح انسولین هستند- و مقاومت بدن نسبت به انسولین را بالا ببرد؛ که همین عامل یکی از محرک ‌های اصلی دیابت بارداری (GDM) به شمار می ‌رود.هرچند در حال حاضر هیچ مدل پیش ‌بینی مبتنی بر HRV برای تشخیص زودهنگام دیابت بارداری وجود ندارد، در این مطالعه محققان با استفاده از مدل یادگیری ماشینی، ارزش HRV را در پیش ‌بینی مستقل یا ترکیبی با عوامل پایه‌ ی خطر که توسط مؤسسه ملی سلامت ایالات متحده(NIH)  تعریف شده ‌اند، ارزیابی کردند. راهنمایNIH  شامل هشت سوال در زمینه ی سوابق فردی و سلامت است که درجه‌ ی خطر را از صفر تا شش مشخص می‌ کند - اما در این مطالعه فقط هفت مورد از آنها در دسترس بود.

درباره‌ ی این مطالعه

محققان در این پژوهش، داده‌ های مربوط به نخستین بارداری ۲۷۴۸زن آمریکایی را از پایگاه داده ‌ی nuMoM2b استخراج و بررسی کردند. همه ‌ی آن‌ ها بین هفته ‌های ۶ تا ۱۵ بارداری آزمایش خواب استاندارد را در خانه انجام دادند، و تست دیابت بارداری (GDM) در هفته ‌های ۲۴تا ۲۸بارداری برای آنها انجام شد. پژوهشگران برای تجزیه ‌و تحلیل دقیق نوسانات ضربان قلب (HRV) از دستورالعمل ‌های NIH و سه مدل یادگیری ماشینی استفاده کردند. ابتدا عملکرد دستورالعمل ‌های NIH بررسی شد، سپس سایر مدل‌ ها پیاده ‌سازی شدند.

یافته‌ های این مطالعه

· دیابت بارداری بیشتر در مادران مسن  ‌تر، با اضافه ‌وزن، فشار خون بالا، سابقه خانوادگی دیابت و نژادهای آسیایی یا سایر نژادها(غیرسفید پوست، سیاه ‌پوست، لاتین‌تبار، سرخ‌ پوست، هاوایی‌ای یا چند نژادی)دیده شد.

· مدلNIH  عملکرد ضعیفی داشت(AUC: 63%) و در بسیاری موارد، خطر بالا را به اشتباه نشان داد (مثبت کاذب)، چون زنان با تنها یک عامل خطر هم در گروه پرخطر قرار گرفتند.

· مدل یادگیری ماشینی اول که فقط از عوامل پایه استفاده کرد، به AUC: 69% رسید(6% بهتر از NIH) و نشان داد وزن ‌دهی هوشمند به عوامل مفید تر است.

· مدل مبتنی برHRV  به AUC:65% دست یافت، اما مدل ترکیبی(NIH + HRV) با AUC:73% بهترین عملکرد را داشت.

· مدل ترکیبی برای مادران جوان و کم ‌وزن دقت پیش‌بینی را تا 15 درصد بهبود داد؛ این افزایش در مادران چاق یا مسن ‌تر کمتر بود.

· در آزمایش ‌های تکراری، مدل ترکیبی در شاخص دقت- یادآوری(AUPRC) نسبت به مدلHRV  حدود 100 درصدو نسبت به مدل پایه ۲۷ درصدعملکرد بهتر داشت.

· میانگین ضربان قلب شبانه قوی‌ ترین شاخص HRV بود که نشان ‌دهنده‌ ی فعالیت بالای سیستم سمپاتیک و اختلال متابولیسم است - از نشانه ‌های اولیه‌ ی GDM.

· شاخص‌های HRV بسته به سن بارداری متغیر هستند و زمان اندازه‌ گیری در ارزیابی اهمیت زیادی دارد.

· پایشHRV  با دستگاه‌ های پوشیدنی یا خانگی (مثل ساعت یا تشک هوشمند) امکان ‌پذیر است، هرچند بیشتر گزینه‌ها هنوز نظری هستند، اما پایش مداوم می ‌تواند دقت پیش‌ بینی را افزایش دهد.

· آزمایش‌ های تشخیصی OGTT متنوع بودند و این تنوع ممکن است باعث کاهش ثبات معیار تشخیص GDM شود؛ با این حال، مدل ترکیبی توانست احتمال ابتلا تا 15 درصد را به ‌درستی پیش ‌بینی کند.

· اگر اعتبارسنجی شوند، این روش‌های غیرتهاجمی می ‌توانند غربالگری زودهنگامGDM  را ممکن سازند، البته چالش ‌هایی مانند هزینه، دسترس ‌پذیری، و تنوع جمعیت وجود دارد.

· رویکرد ترکیبی الگوریتم‌ ها(رگرسیون لجستیک، SVM، جنگل تصادفی)پیچیدگی محاسباتی بیشتری داشت، ولی عملکرد بهتری نسبت به مدل ساده نداشت.

نتیجه گیری

یافته ‌های این مطالعه نشان می ‌دهد که شاخص ‌های HRV شبانه ‌ی مادر می ‌توانند به‌ عنوان پیش‌ بینی ‌کننده‌ های زودهنگام دیابت بارداری (GDM) مورد استفاده قرار گیرند. این نخستین مدلی است که از HRV در ارزیابی خطر GDM بهره می ‌گیرد و با ترکیب آن با عوامل خطر سنتی، قدرت پیش ‌بینی را افزایش می ‌دهد. همچنین، این روش از ابزارهای غیرتهاجمی استفاده می ‌کند و امکان انجام آن در خانه را فراهم کرده که کاربرد آن را افزایش می دهد.با وجود نتایج امیدبخش، همچنان نیاز به تحقیقات بیشتر وجود دارد تا محدودیت ‌هایی مانند قابلیت تعمیم، دسترسی به دستگاه‌ ها، و یکپارچگی تشخیصی در جمعیت ‌های مختلف برطرف شوند.

منبع:

https://www.news-medical.net/news/20250623/Use-of-sleep-heart-rate-patterns-to-forecast-diabetes-risk-in-pregnancy.aspx