相关实验视频
Updated: Jun 10, 2025
19:32
Preterm EEG: A Multimodal Neurophysiological Protocol
Published on: February 18, 2012
28.4K
一种基于神经网络的方法,用于使用非侵入性测试预测早产
Masoumeh Mirzamoradi1, Hamid Mokhtari Torshizi2, Masoumeh Abaspour1
1Department of Perinatology, Mahdieh Hospital, Shahid Beheshti University of Medical Sciences, Tehran, Iran.
Journal of biomedical physics & engineering
|October 11, 2024
概括
一个人工神经网络 (ANN) 使用问卷数据有效预测早产 (PB) 风险. 这种早期识别有助于及时干预,减少婴儿并发症和死亡率.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 孕产妇和胎儿医学 孕产妇和胎儿医学
背景情况:
- 早产 (PB) 是新生儿死亡率和婴儿健康并发症的主要原因.
- 目前缺乏可靠和准确的预测方法来预测早产.
- 早期预测对于及时的医疗干预至关重要,以改善婴儿的结果.
研究的目的:
- 为早期预测早产 (PB) 提出基于人工神经网络 (ANN) 的方法.
- 让医生能够更早地进行干预,从而降低婴儿发病率和死亡率.
- 开发一种使用易于获得的风险因素的非侵入性预测模型.
主要方法:
- 一项历史上的队列研究,涉及300名孕妇 (150名带有PB,150名正常对照).
- 使用了7个隐藏神经元的前人工神经网络 (ANN).
- 通过问卷收集的13个PB风险因素作为ANN培训,验证和测试的投入.
主要成果:
- 在分类正常和早产病例方面,ANN模型实现了79.03%的整体准确性.
- 对于预测早产的敏感度为73.45%,特异性为84.62%.
- 预测模型有效地利用了通过简单问卷获得的风险因素,避免了实验室测试.
结论:
- 拟议的ANN方法在早期识别早产高风险怀孕方面表现出有效性.
- 早期识别有助于在怀孕期间及时进行临床干预,改善母亲和婴儿健康结果.
- 这种人工智能驱动的方法为主动管理早产风险提供了一个实用的工具.
