Iran Journal of Nursing

fa پیش‌بینی وضعیت فوری نوزاد پس از زایمان با استفاده از الگوریتم‌های یادگیری ماشین Machine Learning-Based Prediction of Low Apgar Scores Following Childbirth مامایی Midwifery پژوهشي Research <div style="text-align: justify;">زمینه و هدف:نمره آپگار یکی از شناخته‌شده‌ترین ابزارهای بالینی برای ارزیابی وضعیت فوری نوزاد پس از تولد است که پنج شاخص فیزیولوژیک شامل ضربان قلب، تلاش تنفسی، توان عضلانی، تحریک پذیری رفلکسی و رنگ پوست را در دقیقه اول و پنجم پس از تولد بررسی می‌کند. با وجود سادگی و کاربرد گسترده این شاخص در ارزیابی سلامت نوزادان، پیش‌بینی نمره پایین آپگار پیش از یا حین زایمان همچنان چالش‌برانگیز است، زیرا وضعیت نوزاد تحت تأثیر مجموعه‌ای پیچیده از عوامل مادری، جنینی و شرایط زایمان قرار دارد. عوامل متعددی مانند سن مادر، ویژگی‌های بارداری، نوع زایمان و ویژگی‌های فیزیولوژیک نوزاد می‌توانند بر وضعیت سلامت نوزاد در بدو تولد تأثیرگذار باشند. شناسایی زودهنگام نوزادانی که در معرض خطر کسب نمره پایین آپگار قرار دارند از اهمیت بالایی برخوردار است، زیرا می‌تواند به مداخلات به‌موقع پزشکی و کاهش عوارض و مرگ‌ومیر نوزادی کمک کند. در گذشته، روش‌های آماری سنتی برای بررسی عوامل مؤثر بر نمره آپگار مورد استفاده قرار گرفته‌اند؛ با این حال، رشد سریع داده‌های سلامت و دسترسی به پایگاه‌های داده بزرگ این امکان را فراهم کرده است که از روش‌های پیشرفته یادگیری ماشین برای تحلیل این داده‌ها استفاده شود. الگوریتم‌های یادگیری ماشین قادرند روابط غیرخطی و تعاملات پیچیده میان متغیرها را شناسایی کنند؛ روابطی که ممکن است با روش‌های آماری کلاسیک به‌سادگی قابل تشخیص نباشند. در میان این روش‌ها، الگوریتم‌های مبتنی بر یادگیری جمعی مانند Extreme Gradient Boosting (XGBoost) عملکرد بسیار موفقی در مسائل پیش‌بینی پزشکی نشان داده‌اند. هدف از این پژوهش توسعه و ارزیابی یک مدل پیش‌بینی مبتنی بر یادگیری ماشین برای پیش‌بینی نمره پایین آپگار در نوزادان است. در این مطالعه از الگوریتم XGBoost برای تحلیل داده‌های گسترده ثبت‌شده در شبکه الکترونیک مادران و نوزادان ایران (IMAN) استفاده شده است. این سامانه یک پایگاه داده ملی است که اطلاعات جامعی از ویژگی‌های مادر، بارداری و نوزادان را ثبت می‌کند. هدف اصلی پژوهش علاوه بر دستیابی به دقت پیش‌بینی بالا، شناسایی مهم‌ترین عوامل مؤثر بر نمره آپگار نیز بوده است. استفاده از داده‌های گسترده و روش‌های پیشرفته تحلیل داده می‌تواند به بهبود تصمیم‌گیری‌های بالینی و ارتقای کیفیت مراقبت‌های نوزادی کمک کند. روش بررسی: در این مطالعه گذشته‌نگر، بیش از یک میلیون رکورد مربوط به تولد نوزادان که در سامانه الکترونیکی IMAN ثبت شده بودند مورد بررسی قرار گرفت. این پایگاه داده اطلاعات جامعی از بیمارستان‌های مختلف کشور را در زمینه ویژگی‌های مادر، شرایط بارداری و شاخص‌های نوزادی در اختیار قرار می‌دهد. پیش از انجام تحلیل‌ها، داده‌ها تحت فرآیند پیش‌پردازش قرار گرفتند که شامل پاک‌سازی داده‌های ناقص یا ناسازگار، استانداردسازی متغیرهای عددی و آماده‌سازی متغیرهای طبقه‌ای برای ورود به مدل بود. در این پژوهش مجموعه‌ای از متغیرهای مرتبط با ویژگی‌های مادری، شرایط بارداری و مشخصات نوزاد به‌عنوان عوامل بالقوه پیش‌بینی‌کننده در نظر گرفته شدند. از جمله این متغیرها می‌توان به سن مادر، وزن نوزاد هنگام تولد، دور سر نوزاد، سن بارداری و نوع زایمان اشاره کرد. این متغیرها از جمله شاخص‌هایی هستند که به‌طور معمول در فرآیند مراقبت‌های بارداری و هنگام تولد ثبت می‌شوند. برای توسعه مدل پیش‌بینی از الگوریتم XGBoost استفاده شد. این الگوریتم یکی از روش‌های قدرتمند یادگیری ماشین مبتنی بر درخت‌های تصمیم و یادگیری تقویتی است که با ترکیب مجموعه‌ای از مدل‌های ضعیف، یک مدل پیش‌بینی قوی ایجاد می‌کند. XGBoost به دلیل کارایی بالا، توانایی پردازش داده‌های حجیم و قابلیت مدیریت روابط پیچیده میان متغیرها در بسیاری از مطالعات پزشکی مورد استفاده قرار گرفته است. در فرآیند مدل‌سازی، داده‌ها به دو بخش آموزش و تست تقسیم شدند تا عملکرد مدل به‌طور دقیق ارزیابی شود. همچنین برای بررسی توانایی مدل در سطوح مختلف طبقه‌بندی، سه نوع ساختار طبقه‌بندی برای نمره آپگار در نظر گرفته شد: طبقه‌بندی دوکلاسه که وضعیت طبیعی و غیرطبیعی را تفکیک می‌کند، طبقه‌بندی سه‌کلاسه که سطح نمره را به سه گروه تقسیم می‌کند، و طبقه‌بندی یازده‌کلاسه که تمام مقادیر ممکن نمره آپگار را در بر می‌گیرد. این مدل‌ها به‌طور جداگانه برای نمره آپگار دقیقه اول و دقیقه پنجم پس از تولد آموزش داده شدند. معیار اصلی ارزیابی عملکرد مدل، دقت و صحت پیش‌بینی بود و برای افزایش اطمینان از پایداری نتایج از روش‌های اعتبارسنجی نیز استفاده شد. این مطالعه پس از اخذ تأییدیه از کمیته اخلاق پژوهش از دانشگاه علوم پزشکی ایران با کد اخلاق IR.IUMS.REC.1401.764 انجام شد. تمامی اطلاعات استخراج‌شده از پایگاه داده IMAN به‌صورت محرمانه و بدون شناسه فردی مورد استفاده قرار گرفت و کلیه مراحل پژوهش مطابق با اصول اخلاق در پژوهش‌های پزشکی انجام شد. یافته‌ها: نتایج نشان داد که مدل مبتنی بر الگوریتم XGBoost عملکرد بسیار مطلوبی در پیش‌بینی نمره آپگار نوزادان دارد. در مدل طبقه‌بندی دوکلاسه، دقت پیش‌بینی برای نمره آپگار دقیقه اول حدود ۹۹٫۱۱ درصد و برای نمره دقیقه پنجم حدود ۹۹٫۳۲ درصد به دست آمد. این میزان دقت نشان‌دهنده توانایی بالای مدل در شناسایی نوزادانی است که ممکن است در معرض خطر وضعیت نامطلوب پس از تولد قرار داشته باشند. در مدل طبقه‌بندی سه‌کلاسه نیز عملکرد مدل بسیار قابل توجه بود؛ به‌طوری‌که دقت پیش‌بینی برای دقیقه اول ۹۷٫۶۶ درصد و برای دقیقه پنجم ۹۸٫۹۵ درصد گزارش شد. با افزایش تعداد کلاس‌ها و پیچیده‌تر شدن مسئله طبقه‌بندی، انتظار می‌رود دقت مدل تا حدی کاهش یابد؛ با این حال، نتایج نشان داد که مدل همچنان عملکرد بسیار مناسبی دارد. در مدل طبقه‌بندی یازده‌کلاسه که تمامی مقادیر ممکن نمره آپگار را در بر می‌گیرد، دقت پیش‌بینی برای دقیقه اول ۹۴٫۴۲ درصد و برای دقیقه پنجم ۹۴٫۹۰ درصد به دست آمد. با توجه به پیچیدگی بالای این نوع طبقه‌بندی، دستیابی به چنین دقتی نشان‌دهنده توانایی قابل توجه الگوریتم XGBoost در تحلیل داده‌های بزرگ و پیچیده پزشکی است. تحلیل اهمیت ویژگی‌ها در مدل نشان داد که برخی متغیرها نقش مهم‌تری در پیش‌بینی نمره آپگار دارند. از مهم‌ترین عوامل شناسایی‌شده می‌توان به وزن نوزاد هنگام تولد، سن مادر و دور سر نوزاد اشاره کرد. این یافته‌ها با دانش پزشکی موجود نیز همخوانی دارند، زیرا این شاخص‌ها از مهم‌ترین عوامل مرتبط با رشد و سلامت نوزاد محسوب می‌شوند. علاوه بر این متغیرها، عواملی مانند سن بارداری، تعداد زایمان‌های قبلی و نوع زایمان نیز تأثیر قابل توجهی در پیش‌بینی وضعیت نوزاد داشتند. نتیجه‌گیری: نتایج این پژوهش نشان داد که استفاده از روش‌های یادگیری ماشین، به‌ویژه الگوریتم XGBoost، می‌تواند ابزاری بسیار مؤثر برای پیش‌بینی نمره آپگار نوزادان باشد. بهره‌گیری از داده‌های گسترده ثبت‌شده در سامانه ملی IMAN امکان تحلیل دقیق‌تر عوامل مؤثر بر وضعیت نوزادان را فراهم کرده و منجر به دستیابی به دقت پیش‌بینی بسیار بالا شده است. شناسایی متغیرهای مهمی مانند وزن تولد، سن مادر و دور سر نوزاد نیز می‌تواند به درک بهتر عوامل مؤثر بر سلامت نوزاد کمک کند. از دیدگاه کاربردی، نتایج این مطالعه نشان می‌دهد که می‌توان مدل‌های پیش‌بینی مبتنی بر یادگیری ماشین را در سامانه‌های اطلاعات سلامت و سیستم‌های بیمارستانی ادغام کرد تا امکان ارزیابی خطر به‌صورت بلادرنگ فراهم شود. چنین ابزارهایی می‌توانند به پزشکان و متخصصان زنان و زایمان کمک کنند تا پیش از تولد یا در مراحل اولیه زایمان، نوزادان در معرض خطر را شناسایی کرده و اقدامات درمانی یا حمایتی مناسب را برنامه‌ریزی کنند. در مجموع، این پژوهش نشان می‌دهد که تحلیل داده‌های گسترده سلامت با استفاده از روش‌های پیشرفته یادگیری ماشین می‌تواند نقش مهمی در بهبود پیش‌بینی پیامدهای نوزادی و ارتقای کیفیت مراقبت‌های پریناتال ایفا کند. توسعه و اعتبارسنجی بیشتر این مدل‌ها در جمعیت‌ها و محیط‌های درمانی مختلف می‌تواند به افزایش قابلیت تعمیم و کاربردپذیری آن‌ها در نظام سلامت کمک کند.  </div> <div style="text-align: justify;">Background and Objective: The Apgar score is a long-established clinical tool used to evaluate the immediate condition of newborns following delivery, assessing five physiological parameters — heart rate, respiratory effort, muscle tone, reflex response, and skin color — at both one and five minutes after birth. Despite its simplicity and usefulness in neonatal assessment, anticipating low Apgar scores before or during childbirth is difficult due to the complex interplay of biological and clinical factors influencing newborn outcomes. Many maternal, fetal, and perinatal characteristics, including maternal age, gestational history, delivery type, and infant physiology, contribute to neonatal conditions. Early identification of infants at risk for low Apgar scores is crucial for timely intervention and reducing perinatal morbidity and mortality. Traditional statistical models have been applied to study relevant risk factors; however, the exponential growth in healthcare data has enabled the application of advanced machine learning methods that can capture nonlinear relationships and complex factor interactions. Among these, ensemble techniques such as Extreme Gradient Boosting (XGBoost) have shown outstanding performance across medical prediction tasks. This study aimed to develop a machine learning–based predictive model using XGBoost to assess the risk of low Apgar scores in neonates, based on a massive dataset collected from the Iranian Neonatal and Maternal Network (IMAN)—a national electronic registry system that records comprehensive maternal and neonatal information. The main goal was not only to achieve accurate prediction but also to identify the most critical features driving low Apgar outcomes. The model’s predictive power and interpretability have the potential to support pre‑delivery risk estimation and improve neonatal management nationwide.</div> <div align="center" style="text-align:center"> <hr align="center" size="2" width="100%" ></div> <div style="text-align: justify;">Methods This study utilized a large dataset extracted from the Iranian Neonatal and Maternal Network (IMAN), an electronic health information system that systematically records maternal and neonatal data across healthcare facilities. The dataset included more than one million registered birth records, providing a comprehensive representation of maternal, fetal, and delivery-related characteristics. Such a large dataset offers a valuable opportunity for applying machine learning methods to uncover patterns associated with neonatal outcomes. Data preprocessing was conducted to ensure the quality and consistency of the dataset. Records containing incomplete or inconsistent information were carefully reviewed, and appropriate data cleaning procedures were implemented. Relevant features related to maternal characteristics, pregnancy conditions, and neonatal attributes were selected as potential predictors. These variables included demographic and physiological factors such as maternal age, infant birth weight, and neonatal head circumference, among other clinical indicators routinely recorded during childbirth. To build the predictive model, the Extreme Gradient Boosting (XGBoost) algorithm was employed. XGBoost is an advanced ensemble learning technique based on gradient boosting decision trees and is known for its efficiency, scalability, and high predictive performance in structured data analysis. The algorithm iteratively constructs decision trees and combines them to minimize prediction error while controlling model complexity through regularization techniques. This approach enables the model to capture complex nonlinear relationships among predictors and improve generalization performance. The predictive modeling process involved training the XGBoost model on a large portion of the dataset while reserving a subset of data for validation and testing. Multiple classification schemes were considered to evaluate the model’s ability to predict Apgar score categories with varying levels of granularity. Specifically, the study examined two-class, three-class, and eleven-class classification scenarios for Apgar scores measured at both the first and fifth minutes after birth. Model performance was evaluated using standard classification metrics, including prediction accuracy, allowing for comparison between different classification structures and time points. In addition to prediction accuracy, feature importance analysis was performed to determine which variables contributed most significantly to the model’s predictions. This step provides valuable clinical insights by identifying key maternal and neonatal factors that are strongly associated with neonatal health status immediately after birth. </div> <div align="center" style="text-align:center"> <hr align="center" size="2" width="100%" ></div> <div style="text-align: justify;">Results The proposed XGBoost model achieved very high predictive accuracy across all classification levels. In the two-class model, accuracy reached 99.11% for the first-minute Apgar prediction and 99.32% for the fifth-minute prediction. The three-class experiments yielded 97.66% and 98.95% accuracy for the first and fifth minutes, respectively. Even in the more complex eleven-class task, the model maintained excellent performance with 94.42% accuracy for the first minute and 94.90% for the fifth minute. These results highlight XGBoost’s strong capability for modeling nonlinear relationships within large perinatal datasets. The model consistently outperformed traditional approaches reported in similar studies, demonstrating the potential of machine learning to revolutionize neonatal risk prediction. Feature importance analysis identified several key predictors. The most influential variables were infant birth weight, maternal age, and neonatal head circumference, all of which align with clinical knowledge regarding neonatal health risks. These features exhibited the strongest contributions to model decisions and are biologically plausible indicators of perinatal outcomes. Secondary but relevant factors included gestational age, maternal parity, and type of delivery, suggesting that both maternal and fetal conditions collectively shape neonatal Apgar scores. By interpreting the relative importance of these factors, the study offers valuable guidance for clinicians seeking early identification of at-risk neonates. The capacity to anticipate low Apgar scores before delivery may improve obstetric decision-making and allow better preparedness in neonatal assistance, especially in high-risk pregnancies and under-resourced hospital settings.</div> <div align="center" style="text-align:center"> <hr align="center" size="2" width="100%" ></div> <div style="text-align: justify;">Conclusion This investigation demonstrated the effectiveness of machine learning, specifically the XGBoost algorithm, for predicting neonatal Apgar scores using a large and diverse clinical dataset. The model achieved remarkably high predictive accuracy at both one- and five-minute intervals under multiple class structures, confirming its reliability for clinical application. By identifying birth weight, maternal age, and head circumference as leading predictive features, the study provides evidence that machine learning models can uncover clinically meaningful associations from routine medical data. From a practical perspective, the findings underline the feasibility of integrating data-driven predictive systems into perinatal care workflows. Embedding such models within national hospital information systems could enable real-time neonatal risk monitoring, assisting healthcare professionals in allocating resources and planning interventions effectively. The interpretability and scalability of XGBoost make it suitable for deployment in clinical settings, either as a supplementary decision-support module or as part of automated risk alert systems. Although the study’s performance metrics are outstanding, further research is recommended to ensure external validation across different populations and healthcare infrastructures. Future work may also explore combining multiple algorithms or including additional maternal health indicators, such as biochemical or imaging features, to further enhance prediction. In conclusion, the application of advanced machine learning methods to extensive perinatal datasets offers a transformative approach to neonatal care. This study proves that XGBoost-based predictive modeling can reliably anticipate low Apgar outcomes, support timely clinical interventions, and contribute to improved neonatal survival and wellbeing.</div> امتیاز آپگار, یادگیری ماشین, XGBoost, نوزاد, پیامدهای نوزادی Apgar score, Machine learning, XGBoost, Newborn, Neonatal outcomes 0 0 http://ijn.iums.ac.ir/browse.php?a_code=A-10-3697-1&slc_lang=fa&sid=1 Negisa Seyyedi نگیسا سیدی ngs.seyyedi@gmail.com 10800319475328460035564 10800319475328460035564 No Nursing and Midwifery Care Research Center, Health Management Research Institute, Iran University of Medical Sciences, Tehran, Iran. مرکز تحقیقات مراقبت های پرستاری و مامایی، پژوهشکده مدیریت سلامت، دانشگاه علوم پزشکی ایران، تهران، ایران Navisa Seyyedi نویسا سیدی n-seyyedi@razi.tums.ac.ir 10800319475328460035565 10800319475328460035565 No Department of Health Information Management and Medical Informatics, School of Allied Medical Science, Tran University of Medical Sciences, Tehran, Iran گروه مدیریت اطلاعات سلامت و انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران Fahimeh Ranjbar فهیمه رنجبر ranjbar.f@iums.ac.ir 10800319475328460035566 10800319475328460035566 No Nursing and Midwifery Care Research Center, Health Management Research Institute, Iran University of Medical Sciences, Tehran, Iran مرکز تحقیقات مراقبت های پرستاری و مامایی، پژوهشکده مدیریت سلامت، دانشگاه علوم پزشکی ایران، تهران، ایران Maryam Gharacheh مریم قراچه gharacheh.m@gmail.com 10800319475328460035567 10800319475328460035567 Yes Nursing and Midwifery Care Research Center, Health Management Research Institute, Iran University of Medical Sciences, Tehran, Iran مرکز تحقیقات مراقبت های پرستاری و مامایی، پژوهشکده مدیریت سلامت، دانشگاه علوم پزشکی ایران، تهران، ایران