Non-elective caesarean section risk assessment using Machine Learning techniques

Abstract

Background

The sustained increase and the disparities in the rate of caesarean deliveries (CS) pose a public health challenge. Optimising the use of CS is of global concern and a challenge for public health. Machine Learning (ML) techniques can assist clinicians in decision-making, improving treatment modalities and patient outcomes.

Methods

Original data correspond to the 41,037 deliveries that took place at La Paz University Maternity Hospital (Madrid, Spain) between 2010 and 2018. Machine Learning (ML) model algorithm Random Forest (RF) was performed to determine the risk of CS. The first analysis was Mean Decrease Accuracy carried out on 50 permutations. The second analysis was ceteris-paribus and partial-dependence profiles.

Results

The RF models obtained identify a higher risk of CS delivery in multiple gestations, macrosomic foetuses and in those with prolonged gestation associated with other maternal–foetal characteristics. Results deny the consideration that older nulliparous mothers represent a specific obstetrtic risk goup.

Conclusions

ML techniques can be very useful in identifying risk factors to be addressed to optimise the number of CS. Macrosomia prevention programmes, reduction in the rate of multiple pregnancies or finishing pregnancy before the onset of risks associated with prolonged pregnancy may be ways to optimise the number of CS.

Resumen

Antecedentes

El aumento sostenido y las disparidades en la tasa de partos por cesárea (CS) representan un desafío para la salud pública. Optimizar el uso de las CS es una preocupación global y un desafío para la salud pública. Las técnicas de aprendizaje automático (machine learning [ML]) pueden ayudar a los clínicos en la toma de decisiones, mejorando las modalidades de tratamiento y los resultados para los pacientes.

Material y métodos

Los datos originales corresponden a los 41.037 partos que tuvieron lugar en el Hospital Maternidad de la Universidad La Paz (Madrid, España) entre 2010 y 2018. Se utilizó el algoritmo de modelo de ML Random Forest (RF) para determinar el riesgo de CS. El primer análisis se basó en la disminución promedio de precisión y fue realizado en 50 permutaciones. El segundo análisis consistió en perfiles Ceteris-paribus y Partial-dependence.

Resultados

Los modelos de RF obtenidos identifican un mayor riesgo de partos por CS en casos de gestaciones múltiples, fetos macrosómicos y en aquellos con una gestación prolongada, asociados a otras características maternofetales. Los resultados desmienten la consideración de que las madres nulíparas de edad avanzada constituyen un grupo obstétrico de riesgo.

Conclusiones

Las técnicas de ML pueden ser muy útiles para identificar factores de riesgo que deben abordarse para optimizar el número de partos por CS. Programas de prevención de macrosomía, reducción en la tasa de embarazos múltiples o finalizar el embarazo antes del inicio de los riesgos asociados con una gestación prolongada pueden ser formas de optimizar el número de CS.