基于机器学习的胎儿健康分类在心脏病学中的临床实用性评估框架:一项观察性研究

科学领域:

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

背景情况:

• 人工智能 (AI) 系统越来越多地被用于胎儿健康分类.
• 心脏图谱 (CTG) 数据对于监测胎儿健康至关重要.
• 评估人工智能在产科中的临床实用性和实施是至关重要的.

研究的目的:

• 评估基于人工智能的胎儿健康分类系统的临床实用性和实施.
• 分析产科医生对人工智能在胎儿健康监测中的观点.
• 用Kaggle胎儿健康分类数据集评估机器学习模型.

主要方法:

• 分析Kaggle胎儿健康分类数据集 (n=2,126) 的21个CTG参数.
• 评估了五种机器学习算法:逻辑回归,随机森林,梯度增强,SVM和决策树.
• 基于专家意见的临床实用性评估框架的开发,重点是可解释性,工作流集成和安全性.

主要成果:

• 梯度增强实现了最高准确度 (89.67%),其次是随机森林 (88.50%).
• 异常的短期变化和异常的长期变化时间的百分比是关键预测特征.
• 病理病例的显著假阴性率 (35.3%) 凸显了安全问题,收缩参数的贡献很小.

结论:

• 基于人工智能的胎儿健康分类系统显示出潜力,但需要严格的验证.
• 目前的假阴性率阻止了系统的独立运行,强调了医生监督的必要性.
• 在广泛临床实施之前,使用多中心临床数据和前性研究进行外部验证至关重要.