基于心电图的实验对人工智能和人类判断进行比较,以评估分娩期间胎儿窒息的情况

科学领域:

• 产科和妇科 产科和妇科
• 医疗信息学 医疗信息学
• 人工智能在医学中的应用

背景情况:

• 心脏图谱 (CTG) 是分娩期间胎儿监测的标准,但人类的解释错误会导致新生儿的不良结果.
• 超过70%的死胎,新生儿死亡和脑损伤可以通过改进的CTG分析来预防.
• 人工智能 (AI) 提出了一种潜在的解决方案,可以提高诊断准确度,减少CTG解释中的人类变异性.

研究的目的:

• 实验性地比较人工智能算法对人类专家的诊断准确度,用CTG数据预测胎儿窒息.
• 评估机器学习 (ML) 和深度学习 (DL) 模型在分析CTG痕迹方面的性能.
• 评估人工智能的潜力,以补充人类判断在临床决策对胎儿福祉.

主要方法:

• 在3,519个CTG数据集上开发和训练ML和DL算法.
• 人类专家通过基于网络的问卷单独立解释了50个CTG痕迹.
• 使用接收器操作特征 (ROC) 分析对来自单独怀孕的984个CTG数据进行诊断准确性的比较.

主要成果:

• 人类诊断实现了0.693的曲线下的最高面积 (AUC),显著超过ML (AUC = 0.514) 和DL (AUC = 0.524) 模型.
• 深度学习辅助的判断提高了灵敏度,但并没有仅仅超越人类的准确性.
• 结合人类和人工智能预测结果,AUC比人类诊断单独更低,但显著提高了特异性 (98.03%与91.92%对比).

结论:

• 人类专家目前使用CTG与当前AI模型相比,在使用CTG预测胎儿窒息时表现出更高的诊断准确度.
• 人工智能,特别是深度学习,在补充人类解释时,在增强特异性和减少虚假阳性方面表现有前途.
• 进一步改进人工智能算法和增加CTG数据对于改善诊断性能和将AI整合到临床工作流程中,以获得更好的新生儿结果至关重要.