机构名称：
¥ 1.0
简介：劳动收缩期间的子宫收缩是母体血流和氧气递送到发育中的婴儿，导致短暂性缺氧。虽然大多数婴儿在生理上适应这种缺氧，但暴露于严重缺氧或生理储备不佳的婴儿可能会在分娩过程中遭受神经损伤或死亡。心脏图（CTG）监测，以识别患有缺氧风险的婴儿。ctg监测在产前护理中广泛使用以检测胎儿缺氧，但临床实用性受到CTG异常的阳性预测值（PPV）的限制，以及CTG相互作用中明显的间和内部观察者差异。临床风险和人为因素可能会影响CTG解释的质量。CTG痕迹的错误分类可能导致治疗不足（胎儿受伤或死亡的风险）或过度治疗（可能包括不必要的手术干预措施，使母亲和婴儿都处于并发症的风险）。机器学习（ML）自2000年初以来已应用于此问题，并且与单独的CTG的视觉解释相比，已经显示出更准确地预测胎儿缺氧的潜力。要考虑如何将这些工具转换为临床实践，我们对已经应用于CTG分类的ML技术进行了综述，并确定了需要进行研究以进行临床实施的研究差距。材料和方法：我们使用已识别的关键字来搜索数据库，以在PubMed，Embase和IEEE Xplore上搜索相关出版物。我们使用首选的报告项目进行系统审查和荟萃分析进行范围审查（PRISMA-SCR）。标题，抽象和全文是根据包含标准筛选的。结果：我们包括36项研究，这些研究使用信号处理和ML技术来对CTG进行分类。大多数研究都使用开放式CTG数据库，主要使用胎儿代谢性酸中毒作为pH值不同的缺氧的基准。各种方法用于处理和提取CTG信号，并使用几种ML算法对CTG进行分类。我们确定了对使用不同pH水平作为CTG分类基准的实用性的重大关注。此外，需要更概括研究，因为大多数使用相同的数据库，而受试者数量较少进行ML研究。结论：ML研究证明了预测CTG胎儿缺氧的潜力。然而，为将来的临床实施需要更多样化的数据集，缺氧基准的标准化以及算法和功能的增强。
范围评论 - UCL发现 - 伦敦大学学院
主要关键词
相关文件推荐
