使用人工智能和机器学习进行子宫内生长限制的预测模型:系统性审查和元分析
Riccardo Rescinito1, Matteo Ratti1, Anil Babu Payedimarri1
1Department of Translational Medicine (DiMeT), University of Eastern Piedmont/Piemonte Orientale (UPO), 28100 Novara, Italy.
Healthcare (Basel, Switzerland)
|June 10, 2023
概括
人工智能 (AI) 和机器学习 (ML) 有效地预测胎儿宫内生长限制 (IUGR) 风险. 这些AI/ML模型显示出高准确度,有助于早期检测和改善妊娠结果.
科学领域:
- 医疗信息学 医疗信息学
- 孕产妇和胎儿医学 孕产妇和胎儿医学
- 医疗保健中的人工智能
背景情况:
- 宫内生长限制 (IUGR) 是一个重大的全球健康挑战,影响新生儿的结果.
- 早期诊断IUGR对于改善新生儿健康和管理至关重要.
- 人工智能 (AI) 和机器学习 (ML) 是新兴的工具,用于识别IUGR风险因素并实现早期预测.
研究的目的:
- 系统地审查和元分析AI/ML模型在检测患有IUGR风险的胎儿方面的表现.
- 评估各种AI/ML方法的诊断准确性,用于IUGR预测.
主要方法:
- 按照PRISMA指南进行的系统审查.
- 在主要的医疗数据库中进行搜索 (MEDLINE,EMBASE,CINAHL,Scopus,科学网,Cochrane).
- 使用JBI和CASP工具进行质量评估,然后对诊断测试准确性的元分析.
主要成果:
- 包括20项研究,10项用于定量元分析.
- 胎儿心率变化是最常见的输入 (40%),其次是生物化学标记 (25%).
- AI/ML模型在IUGR预测方面显示了0.84的综合灵敏度和0.87的特异性. 该RF-SVM模型使用CTG衍生FHR参数实现了97%的准确性.
结论:
- 作为IUGR的一种准确且具有成本效益的查方法,AI/ML显示出前景.
- 将其整合到临床实践中需要对算法进行改进,并强调质量评估和统一的诊断标准.
- 人工智能/ML可以通过促进早期识别有风险的胎儿来优化妊娠结果.
