机器学习增强预测胎儿生长限制使用胎儿心脏重塑参数
Chen Zhu1, Jiajia Li2,3,4, Min Ren5
1Department of Ultrasound, Shanghai Key Lab of Reproduction and Development, Shanghai Key Lab of Female Reproductive Endocrine Related Diseases, Obstetrics & Gynecology Hospital of Fudan University, Shanghai, 200433, China. chenzhu@fudan.edu.cn.
BMC medicine
|November 18, 2025
概括
一个新的机器学习模型,胎儿生长限制 (FGR) 预测模型 (CR-FGR) 的心脏改造,使用胎儿心脏改造准确预测FGR. 这种方法改善了检测,特别是晚发性FGR,提供了更好的诊断策略.
科学领域:
- 产周医学 产周医学
- 心脏病学 心脏病学
- 医疗保健中的人工智能
背景情况:
- 胎儿生长限制 (FGR) 是死胎的主要原因,目前的诊断方法往往无法检测胎儿的损害.
- 现有的标志物,如估计的胎儿体重和动脉多普勒值,对于晚期发病的FGR是间接的,效果较差.
研究的目的:
- 开发和验证一种新的机器学习模型,即FGR预测模型 (CR-FGR) 的心脏重塑,用于预测FGR.
- 为了使胎儿心脏重塑成为改善FGR预测的直接标记.
主要方法:
- 一项多中心研究,涉及CR-FGR模型的回顾性开发和前性验证.
- 从938个心声视频中提取了222个心脏参数.
- 为物流回归模型选择五个关键参数 (RVSV/kg,RVCO/kg,RVCO,LVCO,RVESA).
主要成果:
- 在内部 (AUC 0.872) 和外部 (AUC 0.831) 验证队列中,CR-FGR模型表现出强大的预测性能.
- 性能与传统方法相比,但在识别晚期发病的FGR (AUC 0.876) 方面表现非常出色.
- 该模型在正常动脉多普勒检测的情况下成功检测了FGR,这表明胎儿妥协的优异检测.
结论:
- CR-FGR是基于胎儿心脏重塑的第一个用于FGR预测的机器学习模型.
- 它提供了一个新的诊断策略,捕捉胎儿妥协的直接证据.
- 该模型显著提高了挑战性FGR表型的风险分层,包括晚发病和多普勒正常病例.
