DeepCTG® 1.0:一个可解释的模型,用于检测胎儿缺氧从心脏图解数据在分娩和分娩期间
Imane Ben M'Barek1,2, Grégoire Jauvion3, Juliette Vitrou1
1Department of Gynecology Obstetrics, Assistance Publique des Hôpitaux de Paris -Beaujon, Clichy, France.
Frontiers in pediatrics
|July 3, 2023
概括
深度CTG® 1.0使用心电图 (CTG) 信号预测胎儿酸性,准确度很高. 这种可解释的模型比临床医生提供更低的错误阳性率,有助于在分娩期间评估胎儿健康.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 胎儿监测 胎儿监测 胎儿监测
背景情况:
- 心脏图解图 (CTG) 对于评估分娩期间胎儿健康至关重要,检测缺氧可以防止损伤.
- 解释CTG信号的现有方法可能是主观的,并且在从业者之间有所不同.
- 准确预测胎儿酸化对于及时干预和改善新生儿结果至关重要.
研究的目的:
- 介绍DeepCTG® 1.0,这是一个新的模型,用于从CTG信号中预测胎儿酸性.
- 评估DeepCTG® 1.0的性能与临床实践和其他模型相比.
- 评估关键因素对模型预测准确性的影响.
主要方法:
- DeepCTG® 1.0使用了逻辑回归模型,其中包括CTG信号的四个关键特征 (胎儿心率基线min/max,加速/减速区域).
- 该模型在三个不同的数据集 (CTU-UHB,SPaM,Beaujon医院) 上进行了训练和验证.
- 性能与九名产科医生和其他已发表的模型进行了基准测试,对剖腹产病例和CTG段长度进行了敏感性分析.
主要成果:
- 在数据集中,DeepCTG® 1.0 实现了 0.74-0.87 的 AUC,显示出强大的性能.
- 该模型显著降低了虚假阳性率 (12%对25%),与具有相似敏感度的产科医生相比 (45%).
- 剖腹产的情况对表现有轻微的影响,并且在较短的CTG段时显著下降 (AUC为10分钟段0.68).
结论:
- DeepCTG® 1.0提供了一种可靠和可解释的工具,用于从CTG数据中预测胎儿酸性.
- 该模型显示了与当前临床实践和其他AI模型相比的或优越的性能.
- 未来的改进可能包括整合临床因素和在更大,更多样化的数据集上采用先进的深度学习技术.
