Wiele mam deklaruje silną chęć karmienia piersią swojego nowonarodzonego dziecka, jednak część z nich doświadcza trudności związanych z oceną ilości produkowanego mleka lub jego faktycznie niewystarczającą podażą. Niedostateczna produkcja mleka (low milk supply, LMS) jest jednym z najczęściej zgłaszanych problemów laktacyjnych i bywa głównym powodem przedwczesnego wprowadzania mieszanek. Z tego powodu coraz więcej badań naukowych koncentruje się na identyfikacji mechanizmów prowadzących do LMS oraz sposobach jego wczesnego wykrywania.
W ostatnich latach, wraz z dynamicznym rozwojem sztucznej inteligencji, także w obszarze laktacji zaczęto wykorzystywać metody uczenia maszynowego jako narzędzia wspierające analizę danych i tworzenie modeli predykcyjnych.
AI w laktacji – nowatorskie podejście australijskich badaczy
Zespół naukowców z Australii pod kierownictwem prof. Donny T. Geddes – znanej z wieloletnich badań nad laktacją, karmieniem piersią i mlekiem kobiecym – wysunął hipotezę, że profil składu mleka, połączony z prostymi danymi klinicznymi dotyczącymi matki i dziecka, może odzwierciedlać aktywność metaboliczną gruczołu sutkowego. W efekcie mogłoby to umożliwić przewidywanie ryzyka LMS.
Aby to sprawdzić, badacze opracowali model predykcyjny wykorzystujący techniki uczenia maszynowego (machine learning, ML) – zestaw algorytmów analizujących dane w celu wykrywania wzorców i przewidywania nowych przypadków bez konieczności ręcznego programowania każdej reguły.
Metodyka badania: 164 pary matka–niemowlę
Do badania włączono 164 pary matka–niemowlę w okresie ustabilizowanej laktacji (1.–6. miesiąc). Podaż mleka oceniano za pomocą ważenia przed i po karmieniu w 24-godzinnym okresie. Za LMS przyjęto podaż <600 ml/24 h.
Analizie poddano: makroskładniki mleka (tłuszcze, białko, laktoza, stosunek kazeina/serwatka), cytryniany oraz minerały (Na, K, Ca, Mg, P, Zn, Cu, Fe). Modele ML trenowano w oparciu o trzy zestawy danych: sam skład mleka, skład mleka + dane kliniczne oraz zestaw „kliniczne minimum”.
Najważniejsze predyktory niskiej podaży mleka
Zidentyfikowane kluczowe markery ryzyka LMS obejmują:
- Laktozę – wyższe stężenie wiązało się z LMS,
- tłuszcz i cytryniany – niższe wartości wskazywały na LMS,
- wiek matki – starszy wiek zwiększał ryzyko LMS,
- BMI >25 kg/m² – efekt progowy zwiększający ryzyko LMS,
- masę ciała niemowlęcia – wyższa masa obniżała ryzyko LMS.
Interpretacja wyników: co mówi nam skład mleka?
Analiza wykazała, że skład mleka odzwierciedla stan funkcjonalny piersi. Wyższe stężenie laktozy w LMS wynika z mniejszej ogólnej objętości mleka. Niższe stężenia tłuszczu i cytrynianów sugerują zmniejszoną aktywność metaboliczną gruczołu sutkowego i potencjalne zaburzenia endokrynne, w tym osłabioną odpowiedź prolaktynową. Wyniki są zgodne z wcześniejszymi doniesieniami wskazującymi, że nadwaga i otyłość sprzyjają LMS.
Potencjał uczenia maszynowego w praktyce klinicznej
Aplikacje ML mogą w przyszłości umożliwić tworzenie szybkich, nieinwazyjnych narzędzi do wykrywania LMS, szczególnie w połączeniu z przenośnymi analizatorami mleka. Mogłoby to zastąpić czasochłonne pomiary dobowe i wesprzeć wcześniejsze rozpoznanie trudności laktacyjnych.
Jak wspierać laktację na co dzień?
Podstawą wspierania laktacji zawsze będzie:
- częste i efektywne przystawianie dziecka,
- unikanie długich przerw w karmieniu,
- konsultacja ze specjalistą laktacyjnym, jeśli pojawiają się trudności.
Warto również pamiętać o naturalnych sposobach wspierania laktacji. Jednym z nich jest stosowanie preparatów takich jak Femaltiker®, zawierający słód jęczmienny – źródło beta-glukanów wspierających procesy laktacyjne. Może stanowić cenną pomoc nie tylko w pierwszych tygodniach karmienia, gdy laktacja dopiero się stabilizuje, ale także przez cały okres laktacji.
Ograniczenia badania i przyszłe kierunki
Autorzy badania zaznaczają, że nie uwzględniono pełnych danych dotyczących zdrowia matek oraz że konieczna jest walidacja wyników w niezależnych populacjach. Mimo to uzyskane modele stanowią wartościową bazę do dalszych analiz.
Źródła:
- Jin X, Lai CT, Perrella SL, Zhou X, Hassan GM, McEachran JL, Gridneva Z, Taylor NL, Wlodek ME, Geddes DT. Milk Composition Is Predictive of Low Milk Supply Using Machine Learning Approaches. Diagnostics (Basel). 2025 Jan 15;15(2):191. doi: 10.3390/diagnostics15020191.