从使用机器学习模型的母因子预测胎儿RR间隔
Namareq Widatalla1,2, Mohanad Alkhodari3,4, Kunihiro Koide5,6
1Khalifa University, Abu Dhabi, UAE. namareq.widatalla@gmail.com.
Scientific reports
|November 13, 2023
概括
使用机器学习,母亲的特征可以预测胎儿心率的变化. 支持向量回归准确估计了胎儿RR间隔,有助于胎儿福祉评估.
科学领域:
- 生物医学工程 生物医学工程
- 孕产妇和胎儿医学 孕产妇和胎儿医学
- 医疗保健中的机器学习
背景情况:
- 胎儿健康对成人健康至关重要,评估通常涉及非侵入性的胎儿生长和心率监测.
- 从母心率 (mHR) 预测胎儿心率 (fHR) 是具有挑战性的,因为非侵入性的胎儿心电图 (fECG) 测量存在困难.
- 孕产妇和胎儿心率之间的短期关联在很大程度上仍未被探索.
研究的目的:
- 研究使用母亲特征来预测胎儿心率变化 (fHRV) 的潜力.
- 开发和比较机器学习模型,从母体数据中预测平均胎儿RR间隔 (fRRI).
- 将这些预测的准确性与来自非侵入性fECG的实际fRRI值进行评估.
主要方法:
- 使用支持向量回归 (SVR) 和随机森林 (RF) 机器学习模型.
- 输入特征包括13个母亲的特征:年龄,体重和非侵入性的心电图衍生参数,如心率变化 (HRV).
- 训练了156个记录的模型,并对另外14个受试者进行了验证预测.
主要成果:
- SVR模型的性能优于射频模型,其根平均平方误差 (RMSE) 为29毫秒,平均误差百分比低于5%.
- 相关性分析显示,对SVR (斯皮尔曼系数=0.31,P<0.001) 和RF (斯皮尔曼系数=0.19,P<0.05) 的预测和实际FRRI之间存在显著的正相关性.
- 对于独立受试者的SVR模型预测,大多数情况下的错误百分比≤5%,表明很好的概括性.
结论:
- 孕产妇的因素,包括来自心电图的参数,有可能通过预测胎儿心率或RR间隔来评估胎儿的健康状况.
- 机器学习,特别是SVR,提供了一种可行的方法,可以从母体数据中非侵入性地估计胎儿心率模式.
- 这项研究为开发在怀孕期间持续监测胎儿健康的新型非侵入性方法提供了基础.
