利用深度学习从扫描的胎心宫缩图追踪中检测产程中可预防的胎儿窘迫
定量方法
2021-12-06 v2 机器学习
摘要
尽管电子胎儿监护(EFM)在分娩过程中应用广泛，但其价值仍存在相当大的争议。EFM包括对胎儿心率(FHR)模式与母体子宫收缩的监测，提供了关于胎儿行为以及氧合和灌注减少威胁的丰富数据。不良结局无一例外地将胎儿损伤与未能及时响应FHR模式信息联系起来。历史上，以数字形式存储的EFM数据仅作为光栅化pdf图像可供当代或历史讨论和检查。然而实际上，它们很少被系统地审阅。利用超过50年临床实践中收集的EFM独特档案以及不良结局，我们提出了一个用于训练和检测早期或既往胎儿损伤的深度学习框架。我们报告了在识别产内早期、可预防的胎儿损伤方面94%的准确率。该框架适用于自动化早期预警和决策支持系统，以在分娩应激中维持胎儿健康。最终，这样的系统可使医生在分娩时及时响应并预防不良结局。当不良结局无法避免时，它们可为新生儿的早期神经保护治疗提供指导。
引用
@article{arxiv.2106.00628,
title = {Detection of preventable fetal distress during labor from scanned cardiotocogram tracings using deep learning},
author = {Martin G. Frasch and Shadrian B. Strong and David Nilosek and Joshua Leaverton and Barry S. Schifrin},
journal= {arXiv preprint arXiv:2106.00628},
year = {2021}
}