机构名称：
¥ 1.0
产科临床专家（内部和观察者）对心脏图（CTG）的视觉解释（CTG）的固有变异性提出了产科护理的重大挑战。为了回应，我们研究了自动化的CTG解释，作为增强劳动期间早期发现胎儿缺氧的潜在解决方案，这有可能减少不必要的手术干预措施并改善整体母体和新生儿护理。本研究采用深度学习技术来减少与视觉CTG解释相关的主观性。我们的结果表明，使用客观的脐带血液pH结果测量值，而不是临床医生定义的APGAR分数，可以产生更一致且健壮的模型性能。另外，通过一系列消融研究，我们探讨了时间分布变化对这些深度学习模型的性能的影响。我们检查了性能与公平之间的权衡，特别是评估了人口统计和临床亚组的性能。最后，我们讨论了我们发现对这种系统的现实部署的实际含义，并强调了它们在资源有限的医疗环境中的潜在效用。
心脏图解释的深度学习模型的发展和评估
主要关键词
相关文件推荐
