Leukocyte Subtype Variations in Preterm Births: Insights from Robson Group 10 Using Machine Learning and Conventional Analysis

Abstract

Objective: This study aims to investigate the differences in leukocyte subtypes between preterm births classified as Robson Group 10 and term deliveries, focusing on how these hematological changes are evaluated using both conventional statistical methods and machine learning models like SHAP analysis. Methods: A retrospective case-control study was conducted at Ankara Etlik City Hospital between May and December 2023. Data from 2662 patients, including preterm deliveries (Robson Group 10) and term pregnancies (control group), were analyzed. Hematological parameters, such as white blood cells (WBCs), neutrophils, monocytes, and eosinophils, were compared between groups. Conventional statistical tests, including the Mann-Whitney U and logistic regression analyses, were employed. Additionally, machine learning models, such as XGBoost and SHAP analysis, were used to identify individual variations in leukocyte subtypes. Results: The Robson Group 10 showed significantly higher levels of neutrophils and total WBCs compared to the control group, while monocyte and eosinophil levels were significantly lower. Machine learning analysis revealed that higher immature granulocyte counts were predictive of Robson Group 10, while higher monocyte counts were predictive of the control group. Conclusion: Preterm births in Robson Group 10 exhibit distinct hematological profiles, with notable inflammatory markers, such as increased neutrophils and immature granulocytes. The combined use of conventional statistics and machine learning offers valuable insights into individual variations, suggesting a more personalized approach in evaluating preterm labor risks. Further studies with larger cohorts are needed to refine these findings.

Keywords

• Preterm Birth
• Leukocyte Subtypes
• Robson Classification
• Machine Learning
• Inflammatory Markers

Preterm Doğumlarda Lökosit Alt Tipi Varyasyonları: Robson Grup 10 Üzerine Makine Öğrenimi ve Geleneksel Analiz Yaklaşımıyla Öngörüler

Abstract

Amaç: Bu çalışmanın amacı, Robson Grup 10 olarak sınıflandırılan erken doğumlar ile term doğumlar arasındaki lökosit alt tiplerindeki farklılıkları araştırmak ve bu hematolojik değişikliklerin hem geleneksel istatistiksel yöntemler hem de SHAP analizi gibi makine öğrenimi modelleri kullanılarak nasıl değerlendirildiğine odaklanmaktır. Yöntemler: Mayıs-Aralık 2023 tarihleri arasında Ankara Etlik Şehir Hastanesi'nde retrospektif bir vaka-kontrol çalışması yürütülmüştür. Preterm doğumlar (Robson Grup 10) ve term gebelikler (kontrol grubu) dahil olmak üzere 2662 hastadan elde edilen veriler analiz edilmiştir. Beyaz kan hücreleri, nötrofiller, monositler ve eozinofiller gibi hematolojik parametreler gruplar arasında karşılaştırılmıştır. Mann-Whitney U ve lojistik regresyon analizleri dahil olmak üzere geleneksel istatistiksel testler kullanılmıştır. Ayrıca, lökosit alt tiplerindeki bireysel varyasyonları belirlemek için XGBoost ve SHAP analizi gibi makine öğrenimi modelleri kullanılmıştır. Bulgular: Robson Grup 10'da nötrofil ve toplam WBC seviyeleri kontrol grubuna kıyasla anlamlı derecede yüksek, monosit ve eozinofil seviyeleri ise anlamlı derecede düşük bulunmuştur. Makine öğrenimi analizi, daha yüksek olgunlaşmamış granülosit sayılarının Robson Grup 10 için öngörücü olduğunu, daha yüksek monosit sayılarının ise kontrol grubu için öngörücü olduğunu ortaya koymuştur. Sonuç: Robson Grup 10'daki erken doğumlar, artmış nötrofiller ve olgunlaşmamış granülositler gibi dikkate değer enflamatuar belirteçlerle birlikte farklı hematolojik profiller sergilemektedir. Geleneksel istatistiklerin ve makine öğreniminin birlikte kullanımı, bireysel varyasyonlara ilişkin değerli bilgiler sunmakta ve erken doğum risklerinin değerlendirilmesinde daha kişiselleştirilmiş bir yaklaşım önermektedir. Bu bulguları iyileştirmek için daha büyük kohortlarla daha fazla çalışma yapılması gerekmektedir.

Keywords

• Preterm Doğum
• Lökosit Alt Tipleri
• Robson Sınıflandırması
• Makine Öğrenmesi
• İnflamatuar Belirteçler

References

1. 1 Goldenberg RL, Culhane JF, Iams JD, Romero R. Epidemiology and causes of preterm birth. Lancet. 2008;371(9606):75-84. doi:10.1016/S0140- 6736(08)60074-4 2 Robson MS. Classification of caesarean sections. Fetal and Maternal Medicine Review. 2001;12(1):23-39. doi:10.1017/S0965539501000122 3 Slattery MM, Morrison JJ. Preterm delivery. Lancet. 2002;360(9344):1489- 1497. doi:10.1016/S0140-6736(02)11476-0