对胎儿超声波和母胎数据进行集体学习,以预测产业诱导后的分娩方式
Iolanda Ferreira1,2, Joana Simões3, Beatriz Pereira4
1Faculty of Medicine of University of Coimbra, Obstetrics Department, University and Hospitalar Centre of Coimbra, Coimbra, Portugal. iolandaferreira04@gmail.com.
Scientific reports
|July 3, 2024
概括
使用临床数据的人工智能模型最好预测产业诱导后的分娩模式. 整合超声波成像并没有显著改善阴道分娩或剖腹产预测结果的准确性.
科学领域:
- 产科和妇科 产科和妇科
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 在劳动诱导后,关于分娩方式的咨询至关重要.
- 现有的人工智能模型用于预测分娩结果,通常不包括超声波 (美国) 成像.
- 超声波成像可能为产业诱导结果提供额外的预测价值.
研究的目的:
- 开发和评估人工智能模型,用于预测产后的阴道分娩 (VD) 和剖腹产 (CS).
- 评估将胎儿超声波成像纳入在临床数据上训练的AI模型的附加值.
- 增强交付方式咨询的决策支持.
主要方法:
- 临床数据和2024年美国图像的回顾性分析,来自808名接受IOL的受试者.
- 训练和比较AI模型,仅使用临床数据,仅使用美国图像 (胎儿头部,腹部,大腿骨) 和组合模型.
- 使用F1得分和正预测值 (PPV) 评估模型性能.
主要成果:
- 仅使用临床数据的最佳模型实现了F1得分为0.736和PPV为0.734.
- 使用美国成像,特别是大腿部图像的AI模型显示出有限的预测性能 (F1得分:0.594,PPV:0.580).
- 结合临床数据和美国大腿部图像 (F1分数:0.689,PPV:0.693) 的整体模型显示精度略有下降,但在假阳性/假阴性中提供了权衡.
结论:
- 仅仅临床数据提供了最有效的AI模型,用于预测IOL后的分娩结果.
- 为此,将超声波成像集成到人工智能模型中并没有大大提高预测准确度.
- 对整合美国成像的进一步研究可能会在分娩辅导模式中提供细微的改进.
