通过使用特征消除和超参数优化,通过心脏图谱进行胎儿监测的务实方法.

科学领域:

• 产科和妇科 产科和妇科
• 医疗信息学 医疗信息学
• 医疗保健中的人工智能

背景情况:

• 在怀孕晚期和分娩期间监测胎儿健康状况,心电图 (CTG) 非常重要.
• 评估胎儿心率 (FHR) 模式对子宫收缩 (UC) 的反应有助于识别潜在的胎儿痛苦.
• 准确的CTG解释对于及时干预和改善围产期结果至关重要.

研究的目的:

• 开发和评估一种机器学习策略,使用CTG数据对胎儿状态进行分类 (正常,可疑,病理).
• 通过特征减小和超参数优化,提高胎儿状态分类的准确性.
• 探索该模型作为妊娠管理和远程胎儿监测的决策支持工具的潜力.

主要方法:

• 实用机器学习方法被应用到2126个CTG记录的公共数据集中.
• 用特征减少和超参数优化技术来改进分类模型.
• 拟议的模型使用标准分类器进行了评估,包括随机森林,并在552个CTG信号的第二个数据集上进行了验证.

主要成果:

• 机器学习策略显著提高了胎儿状态分类的分类器准确性.
• 随机森林分类器在初级数据集上实现了97.20%的峰值准确性.
• 该模型表现出高预测性能,正确识别了100%的病理病例和98.8%的正常胎儿病例.
• 在单独的数据集上验证的结果是准确率为97.34%.

结论:

• 拟议的机器学习模型提供了一种强大而准确的方法来解释心脏病学数据.
• 这项技术可以作为产科医生有效的决策支持工具,有助于高风险妊娠的管理.
• 与远程医疗平台的整合可以实现远程胎儿监测,提高孕妇的可访问性和护理.