基于深度神经网络的胎儿体重估计:一个回顾性观察性研究
Yifei Wang1,2, Yi Shi3, Chenjie Zhang1,2
1International Peace Maternity and Child Health Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, 200030, China.
BMC pregnancy and childbirth
|August 2, 2023
概括
一个新的深度神经网络 (DNN) 模型提高了使用电子健康记录估计胎儿体重 (EFW) 计算的准确性. 这种人工智能方法为产科医生提供了更好的临床决策,减少了潜在的并发症.
科学领域:
- 医疗人工智能 医疗人工智能
- 产科和妇科 产科和妇科
- 围产儿医学 围产儿医学
背景情况:
- 准确估计的胎儿体重 (EFW) 对于产科决策和减少产周并发症至关重要.
- 目前用于EFW计算的方法可能在精度上有局限性.
- 电子健康记录 (EHR) 为开发改进的EFW模型提供了丰富的数据来源.
研究的目的:
- 开发和评估一个深度神经网络 (DNN) 模型,用于增强EFW计算.
- 将DNN模型的准确性与像哈德洛克公式这样的既定方法进行比较.
- 探索EHR数据的实用性,包括以前未报告的因素,用于EFW预测.
主要方法:
- 追溯分析2016年1月至2018年12月期间生育活产的孕妇的EHR数据.
- 使用产科EHR数据开发DNN模型.
- 使用根-平均-平方误差 (RMSE) 和平均绝对百分比误差 (MAPE) 评估DNN模型的性能,与哈德洛克公式和多重线性回归相比.
主要成果:
- 与哈德洛克公式 (240.36 g和6.46%) 相比,开发的DNN模型实现了显著较低的RMSE (189.64 g) 和MAPE (5.79%) .
- 将其他因素,如先前的出生体重,纳入简洁的10参数DNN模型,提高了准确性.
- 增强的DNN模型显示了83.87%的准确率,RMSE为243.80g.
结论:
- 拟议的DNN模型代表了比现有方法更准确的EFW计算方法.
- DNN模型的卓越准确性支持其用于改善胎儿监测和产科临床决策.
- 利用先进的建模技术来利用电子健康记录数据,可以显著提高围产期护理.
