机器学习对心脏图解数据进行胎儿结果分类:范围审查
Farah Francis1, Saturnino Luz1, Honghan Wu2
1Usher Institute, University of Edinburgh, UK.
Computers in biology and medicine
|March 15, 2024
概括
机器学习 (ML) 在预测胎儿缺氧时显示出有前途的结果,这可以从心脏图解图 (CTG) 监测中预测. 需要进一步的研究来改进数据集和标准化临床使用的基准.
科学领域:
- 产科和妇科 产科和妇科
- 医学成像和信号处理.
- 人工智能在医学中的应用
背景情况:
- 在分娩期间产妇胎儿缺氧会给新生儿带来风险,包括神经损伤或死亡.
- 心电图 (CTG) 监测是检测胎儿缺氧的标准,但具有较差的积极预测值和解释可变性.
- 机器学习 (ML) 提供了从CTG数据中更准确地预测胎儿缺氧的潜力.
研究的目的:
- 审查机器学习 (ML) 技术应用于心脏图形学 (CTG) 分类用于胎儿缺氧检测.
- 找出阻碍临床实施ML工具用于产后胎儿监测的研究缺口.
主要方法:
- 使用相关关键字进行了PubMed,EMBASE和IEEE Xplore的系统搜索.
- 研究使用系统性审查的首选报告项目和范围审查的元分析 (PRISMA-ScR) 准则进行了选.
- 包括36项使用信号处理和ML进行CTG分类的研究.
主要成果:
- 大多数被纳入的研究都使用开放式CTG数据库和胎儿代谢酸作为缺氧基准.
- 对低氧分类的多样化pH值和有限的,非多样化的数据集被确定为重大问题.
- 各种ML算法应用于处理的CTG信号进行分类.
结论:
- 机器学习模型显示了从CTG改善胎儿缺氧预测的潜力.
- 临床实施需要更多样化的数据集,标准化的缺氧基准和增强的ML算法和功能.
