Date of Award

5-2023

Document Type

Dissertation

Degree Name

Doctor of Philosophy in Informatics and Computing

Department

Computer Engineering

First Advisor

Nazar Zaki

Second Advisor

Amir Ahmad

Abstract

Adverse pregnancy outcomes such as Low Birth Weight (LBW) and Preterm birth (PTB) are complex pregnancy challenges that can lead to high perinatal mortality and long-term morbidity for infants. Early prediction of such adverse outcomes can be useful for averting catastrophic outcomes for the mother and her baby. With advances in machine learning (ML)-based algorithms, several models have been proposed for both PTB and LBW predictions. However, the risk factors associated with these outcomes are still unknown, particularly in the United Arab Emirates (UAE). Furthermore, existing ML-based prediction models work in a black-box manner and lack proper interpretations for clinicians, which limits their use in clinical settings. In addition, the current ML models unable to capture the structural inter-relationship among the patients in a tabular dataset. Therefore, to address these challenges, we proposed an intelligent solution to identify important risk factors and predict adverse pregnancy outcomes using explainable ML models. In addition, to improve the classification performance and explainability, we transformed the tabular data into a knowledge graph structure and extracted graph embedding features. A dataset of 3,509 pregnant women (2708 parous and 801 nulliparous) from the Emirati population in the UAE was analyzed. Important risk factors were selected based on literature and medical justification. Extensive experimental results show that our proposed method achieved promising performance, with an AUC of 0.834 which is 6% higher compared to traditional ML methods. We identified main risk factors such as previous preterm birth, previous caesarian section, pre-eclampsia, maternal age, BMI, and infection of amniotic sac (during pregnancy). The proposed solution has significant potential for clinical use as a screening tool for LBW and PTB prediction in the UAE, particularly for the Emirati population. Our solution provides individual patient analysis that can assist clinicians in understanding the impact of each risk factor on each patient, allowing for personalized care to reduce morbidity and mortality. By identifying important risk factors and providing a more explainable approach, our solution has the potential to improve maternal and neonatal health outcomes in the UAE.

Arabic Abstract


نظام ذكي وقابل للتفسير للتنبؤ بوزن الطفل وولادة طفله في دولة الإمارات العربية المتحدة

تعتبر نتائج الحمل السلبية مثل انخفاض الوزن عند الولادة (LBW) والولادة المبكرة (PTB) من تحديات الحمل المعقدة التي يمكن أن تؤدي إلى ارتفاع معدل وفيات الفترة المحيطة بالولادة والمراضة طويلة الأمد للأطفال. يمكن أن يكون التنبؤ المبكر بهذه النتائج السلبية مفيدًا في تجنب النتائج الكارثية للأم وطفلها. مع التقدم في الخوارزميات القائمة على التعلم الآلي (ML)، تم اقتراح العديد من النماذج لكل من توقع PTB وتنبؤ LBW. ومع ذلك، لا تزال عوامل الخطر المرتبطة بهذه النتائج غير معروفة، لا سيما في الإمارات العربية المتحدة (الإمارات العربية المتحدة). علاوة على ذلك، تعمل نماذج التنبؤ الحالية القا ئمة على ML بطريقة الصندوق الأسود وتفتقر إلى التفسيرات المناسبة للأطباء، مما يحد من استخدامها في الإعدادات السريرية. أيضًا، لا تستطيع نماذج ML الحالية التقاط العلاقة البينية الهيكلية بين المرضى في مجموعة بيانات مجدولة. لذلك، لمعالجة هذه المشكلات، اقترحنا نظامًا ذكيًا وقابل للتفسير لتحديد عوامل الخطر المهمة والتنبؤ بنتائج الحمل السلبية باستخدام نماذج ML وشرح التنبؤات عبر خوارزمية SHapley Additive exPlanations (SHAP). بالإضافة إلى ذلك ، لتحسين أداء التصنيف، قمنا بتحويل البيانات الجدولية إلى رسم بياني معرفي واستخرجنا ميزات تضمين الرسم البياني. تم تحليل مجموعة بيانات مكونة من 3509 امرأة حامل (2708 مولود و 801 مولود) من السكان الإماراتيين في الإمارات العربية المتحدة. تم اختيار عوامل الخطر الهامة بناءً على الأدبيات والمبررات الطبية. تُظهر النتائج التجريبية الشاملة أن طريقتنا المقترحة حققت أداءً واعدًا مع AUC قدره 0.834 أعلى بنسبة 6 ٪ مقارنة بطرق ML التقليدية. حددنا عوامل الخطر الرئيسية مثل الولادة المبكرة والولادة القيصرية السابقة وتسمم الحمل وعمر الأم ومؤشر كتلة الجسم وعدوى الكيس الأمنيوسي (أثناء الحمل). يمكن أن يساعد تحليل المريض الفردي الأطباء في فهم تأثير كل عامل خطر لكل مريض وتقديم الرعاية المناسبة لتقليل المراضة والوفيات. يمكن استخدام الحل المقترح كأداة فحص لتنبؤ LBW وPTB، لا سيما في السكان الإماراتيين.

Download

Share

COinS