Fusión de características tabulares y aprendizaje profundo para el análisis de la frecuencia cardíaca fetal: un...

Área de la Ciencia:

• Informática médica
• Inteligencia artificial en la atención sanitaria
• Obstetricia y Ginecología

Sus antecedentes:

• La cardiotocografía (CTG) es una herramienta estándar para monitorizar el bienestar fetal durante el parto, evaluando la frecuencia cardíaca fetal (FHR).
• La interpretación actual de la CTG enfrenta limitaciones debido a la baja sensibilidad y las altas tasas de falsos positivos, lo que afecta su eficacia para reducir los resultados adversos fetales.
• La predicción precisa del compromiso fetal es crucial para la intervención oportuna durante el parto.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo interpretable que integre series temporales de FHR y datos clínicos tabulares.
• Mejorar la precisión predictiva del compromiso fetal, definido por un pH de la arteria umbilical < 7,05.
• Mejorar la fiabilidad y la transparencia de la interpretación de la CTG en la práctica clínica.

Principales métodos:

• Introducción de Fusion ResNet, una novedosa arquitectura de aprendizaje profundo que combina redes neuronales convolucionales para el análisis de FHR y una red paralela para características clínicas tabulares.
• Entrenamiento y validación interna en un conjunto de datos privado de 9.887 grabaciones de FHR.
• Validación externa en el conjunto de datos de acceso abierto CTU-UHB (552 grabaciones) y evaluación de la interpretabilidad del modelo utilizando SHAP y Grad-CAM.

Principales resultados:

• Fusion ResNet logró un AUC de 0,77 en validación cruzada interna y un AUC de vanguardia de 0,84 en el conjunto de datos externo CTU-UHB.
• El modelo superó a los enfoques de aprendizaje profundo existentes para la predicción del compromiso fetal.
• El análisis SHAP identificó predictores clínicos clave y Grad-CAM resaltó patrones significativos de FHR asociados con el compromiso fetal.

Conclusiones:

• El modelo Fusion ResNet desarrollado mejora significativamente la precisión de la predicción del compromiso fetal utilizando datos multimodales.
• Las características de interpretabilidad del modelo proporcionan información clínicamente significativa, mejorando la transparencia y la confiabilidad del análisis de la CTG.
• Este trabajo destaca el potencial de la IA interpretable en la optimización de la monitorización fetal y el apoyo a la toma de decisiones clínicas en obstetricia.