人工知能支援モデルによる子宮活動を用いた早産予測：ナラティブ系統的レビュー

科学分野:

• 産婦人科; 生体医工学; ヘルスケアにおける人工知能

背景:

• 早産（PTB）は新生児に重大なリスクをもたらし、効果的な予測方法が必要です。; PTB管理においては、介入の利点と胎児および母体へのリスクのバランスをとることが重要です。; 人工知能（AI）は、子宮収縮を分析してPTBを予測する可能性を提供します。

研究 の 目的:

• 子宮収縮データを用いたAIモデルの早産予測における予測精度と適用性を系統的にレビューおよび評価すること。; 早産予測のための子宮電気活動図（EHG）および時系列データの分析における様々なAI手法（深層学習、機械学習を含む）の性能を評価すること。

主な方法:

• PRISMAガイドラインに従い、Embase、Medline、Pubmed、Web of Scienceデータベースを対象に系統的文献レビューを実施しました。; 早産予測のためにAI手法（深層学習、機械学習、ニューラルネットワーク）で子宮電気活動図（EHG）または時系列データを分析した研究を含めました。; AIモデルの性能、妥当性、適用性に関するデータを収集し、PROBASTフレームワークを使用してバイアスを評価しました。

主要な成果:

• 合計53件の記録が含まれ、18件がEHG特徴量を検討し、22件がAI分類器を評価しました。; 研究では、EHG特徴量で38.8%、AI分類器で86.3%の優れた分類性能（ACCおよび/またはAUC≥0.9）が報告されました。; 非線形EHG特徴量と深層学習モデルが優れた性能を示しましたが、86.7%の研究では、データ不均衡やサンプルサイズが小さいなどの問題により、バイアスのリスクが不明または高いと評価されました。

結論:

• 非線形特徴量と深層学習モデルは、PTB予測精度を向上させるための大きな可能性を示しています。; 子宮収縮を用いたAIモデルの現在の適用性は、外部検証の欠如と高いバイアスリスクにより限定的です。; 今後の研究では、質の高い研究に臨床データを統合することに焦点を当て、検証されたAIモデルを使用した早期PTB検出を強調する必要があります。