КГТ ребенка при беременности — профессиональная диагностика и расшифровка результатов
С какой целью проводится КТГ беременным?
Кардиотокография плода позволяет оценить кровоснабжение плода и тонус матки на поздних сроках беременности. В исследовании фиксируется ритм сердцебиения младенца, который, в норме, учащается только при движении.
Оценка ритма сердцебиения показывает, достаточно ли кровоснабжение плода, нет ли оснований для дополнительного обследования / лечения.
В каком случае необходимо КТГ?
Планово КТГ проводится всем беременным на каждом приеме, начиная с 30 недель до родов.
Внепланово КТГ проводится при гипертонусе матки, слишком сильной или, наоборот, малой активности движений плода.
ВНИМАНИЮ БЕРЕМЕННЫХ! Если малыш ведет себя нехарактерно, обратитесь к врачу акушеру-гинекологу — возможно, требуется проведение кардиотокографии!
Как проходит исследование?
Длительность процедуры составляет около 30 минут.
Достоинства исследования
- высокая доступность исследования: не требуется специальная подготовка; проводится в любое время;
- не инвазивный и безболезненный метод исследования;
- безопасность исследования: отсутствие лучевой нагрузки;
- информативность, позволяющая уточнить состояние плода и матки.
КТГ в Семейной клинике «КОСМА» проводят высококвалифицированные специалисты отделения акушерства и гинекологии, имеющие специализированный опыт снятия и расшифровки кардиотокографии плода. Исследование проводится в комфортной обстановке. Результаты выдаются в день приема. Исследование могут пройти как пациентки, наблюдающиеся в клинике, так и беременные женщины, обратившиеся только для проведения данной процедуры.
Заключительные недели беременности — время, требующее особой заботы о будущей маме и малыше. Мы рады помочь сохранить Ваше здоровье и гармонию в этот важный период!
В клинике «КОСМА» Вас ждет комплекс необходимых приемов и обследований, необходимый для высокквалифицированного ведения беременности, комфорт и забота о каждой будущей маме!
Мониторинг сердечной деятельности плода / КонсультантПлюс
Мониторинг сердечной деятельности плода
— Периодическая аускультация сердцебиений плода является основным и достаточным методом наблюдения за состоянием плода в родах при отсутствии показаний со стороны плода (Уровень доказательности 1А).
— Выслушивание сердцебиения плода (норма: 110 — 160 уд./мин.) проводится в первый период родов каждые 15 — 30 мин. в течение одной полной минуты после окончания схватки; после излитая околоплодных вод, после проведения обезболивания родов и при открытии маточного зева более 8 см.
— Рутинное применение КТГ всем роженицам не оправдано, особенно в группе родов низкого риска, так как данная методика имеет высокий процент ложноположительных результатов, а, следовательно, увеличивает частоту вмешательств, в том числе оперативных родов (Уровень доказательности 1a).
— Непрерывная КТГ плода в родах проводится при наличии медицинских показаний (приложение 3).
— Результаты мониторинга сердечной деятельности плода и сократительной деятельности матки обязательно фиксируются в соответствующей части партограммы.
— УЗИ плода (при необходимости).
В первом периоде нормальных родов не рекомендуется:
1) родостимуляция посредством амниотомии и окситоцина <5>;
———————————
<5> 56% женщин вступают в роды самостоятельно. Роды являются физиологическим процессом. Поэтому вмешательство в роды ведет к увеличению числа случаев дистоции шейки матки, аномалий родовой деятельности, частоты кесарева сечения, показателя материнской и неонатальной заболеваемости и смертности.
2) рутинная амниотомия при открытии маточного зева менее 7 см. Показанием для амниотомии может являться только внутренний мониторинг плода <6> (КЩС, прямая ЭКГ плода).
———————————
<6> Следует иметь в виду, что рутинная амниотомия увеличивает частоту кесарева сечения.
3) медикаментозное усиление маточных сокращений в первом периоде нормальных родов: от рутинного использования утеротоников (окситоцина) для ускорения родов следует отказаться <7>;
———————————
<7> Активное управление родами (амниотомия, использование окситоцина) ведет к некоторому снижению частоты кесарева сечения. Однако роды в этом случае, являются более интервенционными.
КонсультантПлюс: примечание.
Нумерация пунктов дана в соответствии с официальным текстом документа.
3) заставлять пациентку тужиться раньше того времени, пока она сама не пожалуется на чувство сильного давления на задний проход.
Открыть полный текст документа
результаты ктг плода норма — 25 рекомендаций на Babyblog.ru
Трудно поверить, что я, мама двоих детей, и до сих пор не знала, что это за такое, загадочное КТГ! Я конечно представляла себе эту процедуру, и даже видела пару раз, но мне её провели первый раз только сейчас. Я так понимаю, что с моим анамнезом КТГ нам часто предстоит! Итак, что же там к чему? 🤷
Кардиотокография (КТГ) — это регистрация и последующее изучение сердцебиений плода и сократительной функции матки во время беременности.
Зачем проводится данное исследование?
КТГ при беременности дает возможность косвенно оценить состояние плода — исключить гипоксию (кислородное голодание) плода (как раз то, что нам надо) и оценить наличие тонуса матки или развитие родовой деятельности.
Назначать КТГ можно с 28-30 недель беременности, но правильно интерпретировать результаты можно только с 32 недель беременности, когда у плода формируются ритмичные смены периодов сна и бодрствования(нам зачем — то сделали в 24).
В норме КТГ при беременности назначается не чаще 1 раза в 10-14 дней, а при патологии регулярность определяется только врачом и может доходить до нескольких раз в день.
Исследование проводится в утренние либо в вечерние часы, когда активность плода самая большая. Перед исследованием за 1-2 часа пациентка должна поесть. Исследование не проводится сразу после еды или внутривенного вливания раствора глюкозы. Перед исследованием пациентке желательно опорожнить мочевой пузырь, так как иногда процедура может длиться более 40-50 минут, Во время проведения исследования пациентка должна быть в удобной позе, желательно на боку, а не на спине, так как это может вызвать появление ложно отрицательного результата. Пациентке можно читать журнал или книгу, а вот пользоваться мобильной связью нежелательно — это может давать помехи для аппарата КТГ(у нас в стационаре все девочки на ктг были с телефонами) . В среднем процедура длиться 30-40 минут, но при необходимости врач может продлить исследование.
При автоматической оценке состояния плода прибор рассчитывает так называемый показатель состояния плода (ПСП).
ПСП — менее 1,0 свидетельствует о нормальном состоянии плода, однако при ПСП от 0,7 до 1,0 исследование необходимо повторить через 7-10 дней.
ПСП от 1,01 до 2,0 — свидетельствует от начальных признаках нарушения состояния плода, что требует проведения лечения и контрольной КТГ через 5-7 дней.
ПСП от 2,01 до 3,0 — говорит о тяжелом состоянии плода, требующем госпитализации в родильный дом.
ПСП более 3,0 — информирует о критическом состоянии плода, что требует экстренной госпитализации и родоразрешения.
Внимание! Результаты КТГ не могут заменить осмотр врача и другие методы обследования, такие как допплерометрия и УЗИ.
границ | Проблемы разработки надежного ИИ для интранатального мониторинга сердечного ритма плода
1 Введение
Обеспечение безопасного прохождения ребенка через родовые пути остается серьезной проблемой во всем мире.
Несмотря на улучшение показателей мертворождаемости и неонатальной смертности, интранатальная гипоксия («асфиксия при рождении»), по оценкам, является причиной почти четверти ежегодных 3 миллионов неонатальных смертей в мире и почти половины из 2,6 миллионов мертворождений в третьем триместре беременности (Lee et al. ., 2013). По оценке ВОЗ, проведенной в 2005 г., ежегодно у 1 миллиона лиц, переживших асфиксию при рождении, может развиться церебральный паралич, трудности в обучении или другие нарушения. В Англии в годовом отчете NHS Resolution (NHSR) за 2019–2020 гг., органа, который осуществляет надзор за претензиями о медицинской халатности, говорится, что 2,3 миллиарда фунтов стерлингов было потрачено на выплату компенсации за клиническую халатность, из которых 50 % пошли на урегулирование акушерских исков (что составляет всего 9 случаев). % от общего числа заявленных требований). По оценкам NHSR, на каждого ребенка, родившегося в Англии, было выплачено 1100 фунтов стерлингов в качестве возмещения расходов (резолюция NHS, 2019).
В настоящее время единственным неинвазивным способом оценки плода в родах является мониторинг частоты сердечных сокращений плода. Кардиотокография (КТГ) — это метод, который измеряет изменения частоты сердечных сокращений плода (ЧСС) и связывает их с сокращениями матки (UC), чтобы выявить детей, которым не хватает кислорода (гипоксии). Мониторинг КТГ был введен в 1960-х годах, несмотря на отсутствие РКИ. С тех пор Кокрановский обзор 13 исследований с участием 37 000 женщин показал, что непрерывный мониторинг КТГ по сравнению с прерывистой аускультацией был связан с 50% снижением неонатальных судорог (Alfirevic et al., 2017). В обзоре доминировало большое исследование в Дублине, в котором приняли участие 12 964 женщины в 1981–1983 гг. (MacDonald et al., 1985). Это исследование не показало различий в показателях неонатальной смертности или церебрального паралича. За прошедшие годы было опубликовано множество руководств и учебников по интерпретации КТГ, последним из которых является руководство NICE по интранатальной помощи от 2014 г.
, обновленное в 2017 г. (Национальный институт здравоохранения и передового опыта (NICE), 2017). Интерпретация КТГ сильно зависит от распознавания образов, в частности от реакции ЧСС на ЯК.Аномальные паттерны, такие как «поздние» децелерации, могут указывать на гипоксию плода, но КТГ является чрезмерно чувствительным тестом; У 60% детей, рожденных после КТГ, такие изменения не были ацидотическими (Beard and Finnegan, 1974). Интерпретация КТГ имеет низкую степень согласия между наблюдателями и внутри нее, и даже эксперты могут по-разному интерпретировать одну и ту же КТГ.
Потенциал КТГ-мониторинга не реализован, несмотря на большие усилия по обучению персонала. NHSR провела несколько обзоров (10 лет заявлений о материнстве (резолюция NHS, 2018 г.) и 5 лет заявлений о церебральном параличе (резолюция NHS, 2017 г.).Ошибки при интерпретации мониторинга ЧСС были наиболее распространенной темой и часто были связаны с системными и человеческими факторами. Также были распространены неинтерпретируемые КТГ с выжидательным подходом в случае возможной потери контакта.
К такому же выводу пришел Королевский колледж акушеров и гинекологов (RCOG) «Каждый ребенок имеет значение» (Королевский колледж акушеров и гинекологов, 2020). В последнем обзоре NHSR рекомендуется, чтобы интерпретация CTG выполнялась не изолированно, а как часть целостной оценки.
Благодаря искусственному интеллекту (ИИ) мы теперь можем по-новому и непредвзято взглянуть на CTG. Предыдущие попытки использования ИИ для анализа КТГ не увенчались успехом. Большинство из них нацелены на имитацию человеческих методов анализа (например, распознавание исходного уровня ЧСС, вариабельности ЧСС и замедлений). Однако современные компьютерные системы, использующие более совершенные методы машинного обучения, могут включать широкий спектр анализа. Системы искусственного интеллекта доступны круглосуточно и без выходных, и на них не влияют такие человеческие факторы, как усталость, рассеянность, предвзятость, плохая коммуникация, когнитивная перегрузка или боязнь причинения вреда.Все это было определено как ограничивающие факторы в отчетах RCOG «Каждый ребенок имеет значение».
Более эффективные способы использования и интерпретации КТГ могут снизить смертность и инвалидность, а также предотвратить значительные судебные издержки.
2 Обзор предшествующего уровня техники в области ИИ для КТГ
2.1 Алгоритмы, используемые в рандомизированных контрольных исследованиях
Недавние систематические обзоры ИИ для КТГ пришли к выводу, что в предыдущих исследованиях не удалось улучшить показатели неонатального ацидоза, судорог, смерти, ненужных вмешательств или Госпитализация в ОИТ (Campanile et al., 2018; Балайла и Шрем, 2019; Гарсия-Канадилья и др., 2020). Одно исследование показало, что межоценочная надежность между людьми и ИИ была умеренной, но модели ИИ, имитирующие человеческую интерпретацию, сродни добавлению «второго оценщика с аналогичными инструкциями» (Balayla and Shrem, 2019). Это говорит о том, что для того, чтобы поддержка принятия решений была эффективной, она должна добавлять ценность за счет функций, которые не очевидны для человека.
Три РКИ, включенные в обзорный документ, которые являются единственными испытаниями, сравнивающими интерпретацию КТГ человека и ИИ, повторно рассматриваются ниже.В трех системах использовались функции, созданные вручную, которые в целом были направлены на воспроизведение рекомендаций Международной федерации гинекологии и акушерства (FIGO) (Ayres-de-Campos et al., 2015).
Система INFANT (Intelligent Fetal AssessmeNT) была разработана более 20 лет назад для извлечения и количественной оценки следующих характеристик ЧСС: качество сигнала, исходный уровень, вариабельность, ускорение, замедление и их синхронизация по отношению к сокращениям. Это особенности, которые обычно интерпретируются человеком в современной клинической практике.Система INFANT извлекает эти признаки с помощью численных алгоритмов и искусственных нейронных сетей (Keith and Greene, 1994). Соответствующая клиническая информация, включая раскрытие шейки матки, обезболивание, забор крови плода и факторы риска (задержка внутриутробного развития, отслойка плаценты и меконий) также учитываются в модели ИИ.
Система использует более 400 правил для интерпретации данных и поддержки принятия решений. В нем не даются какие-либо рекомендации по действиям, которые следует предпринимать в ответ на выявленные нарушения ЧСС (Keith and Greene, 1994).
В 2017 году было завершено многоцентровое РКИ этой системы с участием 47 000 пациентов, которое показало, что программное обеспечение для поддержки принятия решений не улучшало клинические исходы, несмотря на его эффективность в правильном выявлении нарушений ЧСС (Brocklehurst et al., 2017). Гипотезы о том, что некачественное лечение было связано с неспособностью выявить неутешительную КТГ и что система поддержки принятия решений сократит количество ненужных вмешательств, не подтвердились. Исследование предполагает, что некачественное лечение было связано с управленческими решениями после выявления отклонений от КТГ.Система поддержки принятия решений, использованная в исследовании, не включала клиническую информацию, относящуюся к родам (т. е. продолжительность и ход родов).
Включение этой информации в систему поддержки принятия решений может улучшить решения по эскалации.
Omniview-SisPorto 3.5 выдает оповещения на основе компьютерного анализа КТГ. Он классифицирует КТГ по четырем классам (обнадеживающие, не обнадеживающие, очень не обнадеживающие и претерминальные) на основе рекомендаций FIGO (Ayres-de-Campos et al., 2015), включая определения поздних/длительных/повторяющихся децелераций, сниженных изменчивость и исходная изменчивость (Ayres-de-Campos et al., 2008). Их предварительные результаты показали, что процент совпадения между человеческой и компьютерной классификацией сокращений, ускорений и замедлений составил 87, 71 и 68% соответственно (Costa et al., 2010). Недавно было проведено РКИ системы на 7320 пациентах (Nunes et al., 2017). Исследование пришло к выводу, что, хотя наблюдались очень низкие показатели ацидоза, снижение частоты ацидоза и акушерских вмешательств между двумя группами исследования не было статистически значимым.
Было проведено меньшее РКИ с использованием системы поддержки принятия решений на основе количественной кардиотокографии (кКТГ), в которой приняли участие 720 пациентов (Ignatov and Lutomski, 2016).
Система qCTG вычисляет характеристики на основе трех доменов: ЧСС, микрофлуктуации ЧСС и замедления. Признаками, полученными из микрофлуктуаций ЧСС, являются экстремумы в минуту, средняя изменчивость от удара к удару в минуту и амплитуды колебаний. Оценка от 0 до 6 рассчитывается для каждого домена и суммируется, что дает общий балл от 0 до 18.Первичными исходами исследования были гипоксия, ацидемия, кесарево сечение и извлечение щипцами. Вторичными исходами были 5-минутная оценка по шкале Апгар, неонатальные судороги и госпитализация в отделение интенсивной терапии. Снижение рисков наблюдалось для всех исходов в интервенционной группе по сравнению с контрольной группой. Однако из-за небольшого размера выборки этого исследования для подтверждения этих результатов требуется более крупное РКИ.
2.2 Альтернативные подходы
В вышеупомянутых РКИ использовались компьютерные алгоритмы, которые в значительной степени основывались на характеристиках, определяемых пороговыми значениями исходного уровня, вариабельности и замедления в рекомендациях FIGO.
Были изучены альтернативные подходы, которые обеспечивают интерпретацию CTG на основе ИИ таким образом, который применяет теорию инженерии признаков из других областей, которые могут дополнять существующую интерпретацию человеком. Хотя такие системы еще не прошли валидацию в РКИ, предварительные результаты обнадеживают.
Подход теории управления был предложен для моделирования динамической взаимосвязи между FHR и UC в виде функции импульсного отклика (IRF) (Warrick et al., 2009). Сочетание ЧСС и UC как системы ввода-вывода имеет клиническое значение, поскольку замедления классифицируются в ответ на сокращения.Ранние децелерации совпадают со схватками и не указывают на гипоксию или ацидоз плода. Поздние замедления возникают более чем через 20 с после сокращения и свидетельствуют о гипоксии. Длительные замедления охватывают множественные сокращения и указывают на гипоксию (Ayres-de-Campos et al., 2015). Этот метод показал, что IRF в патологических случаях приводили к более длительным задержкам между сокращениями и соответствующими торможениями.
IRF, базовый уровень FHR и вариабельность FHR использовались в качестве входных признаков для машины опорных векторов (SVM) для классификации нормальных и патологических CTG.Набор обучающих данных состоял из 189 случаев нормального исхода и 31 случая патологического исхода. Их определением патологического случая была смерть, или свидетельство гипоксически-ишемической энцефалопатии (ГИЭ), или дефицит основания более 12 ммоль на литр (ммоль/л), что означает кислый рН. SVM правильно выявил 50% патологических случаев с частотой ложноположительных результатов 7,5% (Warrick et al., 2009).
Был предложен метод, использующий усреднение сигнала с выпрямлением по фазе для вычисления средней тормозной способности (DC) FHR (Georgieva et al., 2014). DC сравнивали с кратковременной изменчивостью (STV), которая считается сильным индикатором pH и использовалась в предыдущих исследованиях. Результаты показали, что DC предсказывал ацидемию с площадью под кривой 0,665 (AUC). Для сравнения, STV достиг 0,606 AUC.
Корреляция между DC и STV была низкой, что указывает на то, что оба они могут использоваться в многофакторном анализе для улучшения прогнозирования.
Частотный контент FHR можно разделить на низкочастотный (0,04–0,15 Гц), среднечастотный (0,15–0,15 Гц).5 Гц) и высокочастотный (0,5–1,0 Гц) диапазоны. Эти полосы соответствуют симпатической активности, движениям и дыханию плода соответственно. Спектральные плотности и соотношения между полосами ранее использовались для классификации нормальных и патологических КТГ (Signorini et al., 2003; Spilka et al., 2013; Zhao et al., 2018). Было показано, что фрактальный анализ и параметр Херста являются надежной альтернативой использованию произвольно определенных полос частот и предсказывают ацидоз плода с AUC, равным 0.87 (Дорет и др., 2015).
КТГ является очень динамичным сигналом, и эволюция КТГ в направлении родоразрешения значительна. Подход, описанный в (Dash et al., 2014), сегментирует полную запись CTG на гораздо более короткие сегменты, выделяет признаки и, таким образом, представляет каждую полную запись CTG в виде последовательности значений признаков, которые используются в качестве входных данных для байесовского классификатора.
Этот метод достиг истинной отрицательной скорости (TNR) и истинной положительной скорости (TPR) 0,817 и 0,609 соответственно, превосходя модели SVM, обученные на том же наборе данных.
Вышеупомянутые методы используют традиционное машинное обучение, которое требует этапа извлечения и выбора признаков перед классификацией. Глубокое обучение — это подмножество машинного обучения, в котором используется многоуровневая структура вычислений, известная как нейронные сети для неструктурированных данных, при этом извлечение признаков и классификация выполняются в оптимизированной сквозной процедуре, как показано на рисунке 1 (Garcia-Canadilla). и др., 2020). Хотя подходы глубокого обучения требуют относительно большего набора данных, они дают возможность изучать сложные функции из необработанных данных, что может быть неочевидно для специалистов-людей.Было показано, что глубокие нейронные сети (ГНС) превосходят обычные алгоритмы машинного обучения, такие как SVM и кластеризация K-средних, для классификации CTG в базе данных, содержащей 162 нормальных случая и 162 аномальных случая (определяемых как pH <7,20 и/или по шкале Апгар при 1).
мин <7) (Ogasawara et al., 2021). Недавно была опубликована архитектура мультимодальной сверточной нейронной сети (MCNN), обученная на более чем 35 000 пациентов (Petroziello et al., 2019). MCNN принимает входные данные от показателей UC, FHR и качества сигнала.Его эффективность оценивалась путем измерения процента ложноположительных и истинно положительных вмешательств. Ретроспективный анализ показал, что текущая клиническая практика привела к 15% ложноположительных результатов (FPR) и 31% истинно положительных результатов (TPR), в то время как MCNN достигла 14% FPR и 50% TPR.
РИСУНОК 1 . Конвейер шагов машинного обучения для CTG.
РКИ системы INFANT пришли к выводу, что включение дополнительной клинической информации, касающейся родов, может улучшить исходы (Brocklehurst et al., 2017). Клиническая информация, включая возраст матери, предшествующие акушерские исходы, густой меконий и разрыв матки, показала, что они являются независимыми факторами риска тяжелого неонатального ацидоза (Maisonneuve et al.
, 2011). Точно так же результаты показали, что системы, управляемые данными, которые используют клинические факторы риска, приводят к повышению производительности классификатора (Georgieva et al., 2017).
В таблице 1 приведены результаты вышеупомянутых исследований, основанные на методе, исходных данных, цели, размере набора данных и результатах.
ТАБЛИЦА 1 .Сравнение предшествующего уровня техники.
3 Проблемы ИИ для КТГ
3.1 Определение случая и дисбаланс класса
КТГ предоставляет информацию о том, как плод справляется во время родов, с целью позволить клиницистам определить неутешительное состояние плода, чтобы можно было избежать неблагоприятных исходов посредством вмешательства. Однако неудовлетворительное состояние плода может привести к целому ряду исходов: от полностью здорового плода (из-за ложноположительного результата КТГ) до смерти (Gravett et al., 2016). Поэтому возникает вопрос о том, как следует маркировать «контрольный» пациент по сравнению с пациентом «патологического случая» в архитектуре машинного обучения.
Уровень заболеваемости ГИЭ составляет 1–3 случая на 1000 человек в странах с высоким уровнем дохода (Kurinczuk et al., 2010). ГИЭ является основным состоянием, которое классификатор КТГ должен пытаться предсказать, чтобы клиницисты могли вмешаться и предотвратить неблагоприятный исход. Однако это приводит к значительному дисбалансу классов между обычными классами и классами HIE, что приводит к проблемам с точки зрения машинного обучения. При более высоком диапазоне 3 на 1000 потребуется более 30 000 доставок, чтобы получить базу данных со 100 случаями HIE.Методы избыточной выборки класса меньшинства, такие как Техника синтетической избыточной выборки меньшинства (SMOTE), успешно использовались в классификационных исследованиях CTG для введения синтетических примеров в пространство признаков (Spilka et al., 2013) (Hoodbhoy et al., 2019). Тем не менее, для использования таких методов для синтеза примеров все еще требуется достаточное количество подлинных случаев. Точно так же взвешенные ошибки для неправильной классификации примера из класса меньшинства использовались для исправления проблемы дисбаланса классов (Petroziello et al.
, 2019).
Из-за сложности получения базы данных с подробными записями отделений интенсивной терапии и диагнозами ГИЭ для маркировки классов часто используются прокси-метрики. Существует множество показателей ГИЭ, как объективных (pH, дефицит оснований, лактат и перевод в отделение интенсивной терапии), так и субъективных (шкала по шкале Апгар) с разной степенью корреляции с ГИЭ. Такие показатели, как pH, обычно используются в качестве индикаторов неблагоприятного исхода (Malin et al., 2010). Однако есть литература, в которой показана неоднозначность корреляции между pH и исходом (Yeh et al., 2012). Довольно часто измеряется или регистрируется только рН пупочной вены, в то время как артериальный рН может быть значительно ниже, чем венозный рН у детей, перенесших период острой компрессии пуповины незадолго до родов (Westgate et al., 1994). Как показано в Таблице 1, в предшествующем уровне техники нет согласованности в отношении того, какой результат, показатель или комбинация показателей используются для определения патологического случая.
Недавний систематический обзор интранатальной активности матки и неонатальных исходов показал, что из 12 исследований, которые соответствовали критериям включения, в 7 в качестве индивидуального исхода использовался показатель pH, в 4 исследованиях сообщалось об индивидуальных исходах по шкале Апгар и избытке оснований, и только в 1 исследовании сообщалось о неонатальная энцефалопатия как исход.Ни в одном исследовании не рассматривалось долгосрочное развитие нервной системы как результат (Reynolds et al., 2020a). Шкала Апгар не предназначалась для измерения асфиксии при рождении, и недавнее когортное исследование, включавшее 85 076 младенцев, показало, что, хотя существует тесная связь между оценкой по шкале Апгар и ацидозом, шкалу Апгар не следует использовать в качестве меры асфиксии при рождении (Cnattingius et al. др., 2020).
3.2 Слабые метки в сравнении с экспертными аннотированными метками
Как обсуждалось ранее, прокси-метрики, такие как pH, часто используются в качестве индивидуальных показателей для различения нормального и патологического результата.
База данных CTU-UHB CTG является общедоступной базой данных, размещенной на Physionet, которая обычно используется в исследовательских целях (цитируется более чем в 150 статьях) (Chudácek et al., 2014). База данных включает 552 записи КТГ из 9 164 записей, полученных в одной больнице за трехлетний период. Из 552 пациентов у 44 значение pH было ниже 7,05, что является пороговым значением, обычно используемым в литературе для определения патологических случаев (Spilka et al., 2013). Аннотация трех экспертов в той же базе данных, где 149 помечены как нормальная КТГ, 115 — как патологическая КТГ и 275 — как подозрение на КТГ.Это подчеркивает несоответствие между низким рН и аномальной КТГ (Spilka et al., 2013).
Серьезной проблемой при разработке архитектур машинного обучения на основе прокси и неонатальных исходов является тот факт, что эти метки являются «слабыми». Необработанные КТГ в этих случаях не маркируются по событию или эпохе. Вместо этого существует одна общая метка для пациента, основанная на клинических показателях (т.
е. pH < 7,05), независимо от продолжительности отклонения КТГ или типа гипоксии. Различные типы гипоксии плода (острая, подострая, развивающаяся, хроническая) обычно проявляются в разных формах на КТГ и связаны с сильно различающимися клиническими проявлениями (Yatham et al., 2020). Это создает проблемы, так как при остром событии (например, выпадении пуповины, разрыве матки или острой компрессии пуповины) КТГ может измениться только во время события. Следовательно, маркировка всей записи КТГ как гипоксии плода может привести к зашумленным меткам и неправильным классификациям. Это особенно проблематично, если слабые метки применяются к коротким периодам (т. е. перекрывающиеся окна 15–30-минутных сегментов), поскольку существует значительный риск введения преимущественно шумовых меток, если только гипоксия плода не является хронической и преобладает на протяжении всей продолжительности периода. запись.Кроме того, исследования показали, что не у всех младенцев с постнатальным диагнозом ГИЭ есть признаки интранатальной гипоксии на КТГ (с использованием современной человеческой интерпретации) (Yatham et al.
, 2020).
Архитектуры машинного обучения, использующие ручную маркировку CTG на уровне события/эпохи экспертом-аннотатором, приведут к более надежным меткам и, теоретически, к повышению производительности. В свете этого опытный акушер вручную пометил вышеупомянутую базу данных CTB-UHB, которая также стала общедоступной в дополнение к исходной базе данных (Romagnoli et al., 2020). В нескольких исследованиях были получены значительно высокие процентные совпадения между алгоритмическими и человеческими метками (Reynolds et al., 2020b). Однако введение меток человека может привести к клиническим результатам, аналогичным тем, которые наблюдались в предыдущих РКИ, благодаря чему достигается высокое согласие алгоритма и человека, но это сродни добавлению второго оценщика с аналогичными инструкциями. Аналогичным образом, многочисленные исследования показали согласие между наблюдателями для интерпретации КТГ человека в диапазоне 30-50% (Yatham et al., 2020) (Hruban et al., 2015) (Rhöse et al.
, 2014). Следовательно, существует риск того, что человеческие аннотации могут привести к предвзятости в классификации, учитывая, что экспертное использование КТГ в целом все еще широко обсуждается (Garcia-Canadilla et al., 2020).
Классификация КТГ только на уровне событий, без контекста течения и продолжительности родов, не идеальна, поскольку признаки и закономерности, которые могут считаться неутешительными в 1-м периоде родов, могут считаться нормальными во время активного 2-го периода родов где схватки становятся более интенсивными.Поскольку окончание КТГ часто совпадает со временем рождения, вполне вероятно, что соответствующие данные, относящиеся к исходу, будут наиболее очевидными на более поздних стадиях КТГ. Однако на более позднем этапе значительно больше шума и артефактов движения. Поэтому производительность классификатора может варьироваться в зависимости от стадии родов. Исследования показали, что эффективность признаков для классификации нарушений плода значительно варьируется по мере прогрессирования родов (Spilka et al.
, 2014). Таким образом, многие исследования в литературе опускают данные о стадиях 2 и , что может снизить клиническую полезность инструмента поддержки принятия решений на практике (Spilka et al., 2016).
Доступ к большим базам данных, способным обучать модель глубокого обучения, может помочь решить эту проблему, поскольку процесс извлечения признаков и классификации может быть выполнен в оптимизированной процедуре. Изменение производительности модели в зависимости от стадии родов было продемонстрировано в (Petroziello et al., 2019) с использованием MCNN, обученного на 35 000 КТГ. Производительность MCNN, обученной в последние 60 минут 1-го этапа, составила 0,65 AUC, в то время как та же модель MCNN, обученная в последние 30 минут 2-го этапа, составила 0.71 АУК. Наилучшие показатели 0,77 AUC были достигнуты при тренировке на последних 60 минутах КТГ независимо от стадии (Petroziello et al., 2019).
4 Обсуждение
Предыдущие основанные на признаках подходы к автоматической интерпретации КТГ, которые точно следуют установленным клиническим руководствам по КТГ, обеспечивают высокое согласие между наблюдателями с интерпретацией человеком.
Однако они не приводят к улучшению клинических исходов. Результаты этих исследований показывают, что разработка систем, имитирующих существующие рекомендации и интерпретацию человеком, не улучшит результаты.Более современные методы, основанные на большей вычислительной мощности, всесторонних электронных медицинских картах и доступе к большим наборам данных, привели к многообещающим разработкам. Однако эти подходы еще предстоит проверить в РКИ.
Основные проблемы, выявленные при разработке надежного ИИ для интерпретации КТГ, сосредоточены вокруг определения случая, маркировки и дисбаланса классов, которые неразрывно связаны между собой. Таблица демонстрирует вариабельность определения случаев в предшествующем уровне техники, при этом многие используют косвенные показатели, такие как рН, для обозначения случаев как здоровых по сравнению с ГИЭ.При уровне заболеваемости 1-3 на 1000 рождений дисбаланс классов является серьезной проблемой, и, возможно, лучше всего подходит подход к обнаружению аномалий.
Хотя точное определение неутешительных КТГ-паттернов важно, это не является основной задачей. Основная задача состоит в том, чтобы определить, требуют ли неутешительные картины КТГ вмешательства или нет, исходя из прогрессирования родов и профиля риска матери. Наша предыдущая работа продемонстрировала, что улучшение эффективности классификации достижимо путем добавления как клинических переменных (таких как беременность, паритет и артериальная гипертензия), так и продолжительности стадий родов (O’Sullivan et al., 2021). Важность точных медицинских записей имеет решающее значение для процесса принятия клинических решений. Ранее существовавшие материнские заболевания, такие как хроническая гипертензия, и сопутствующие состояния, такие как задержка внутриутробного развития, могут сделать маточно-плацентарную систему более уязвимой к гипоксии во время родов (Scheidegger et al., 2019). Медицинская бригада должна учитывать профиль риска беременности, чтобы помочь в оценке переносимости плода к родам, и должна быть бдительна в отношении любых неутешительных паттернов при беременности с высоким риском.
Предоставление инструмента поддержки принятия решений, разработанного без учета этих персонализированных факторов риска и их связи с неонатальными исходами, может привести к увеличению числа ненужных кесаревых сечений и частоты оперативных родов.
В заключение следует отметить, что инструменты поддержки принятия решений в области CTG имеют значительные возможности и перспективы, как показано на предшествующем уровне техники. Мы считаем, что точное определение случая и сегментация данных в сочетании с включением ранее существовавших клинических переменных и данных о прогрессировании родов облегчат разработку объяснимого инструмента поддержки принятия решений с использованием искусственного интеллекта.
Вклад автора
MS, GB, JR и EC внесли свой вклад в написание рукописи. WM и MR предоставили критический обзор и предметную экспертизу. Все авторы просматривали окончательный вариант перед отправкой.
Финансирование
Эта работа была поддержана Научным фондом Ирландии (19/FIP/AI/7483).
Конфликт интересов
Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.
Примечания издателя
Все утверждения, изложенные в этой статье, принадлежат исключительно авторам и не обязательно представляют претензии их дочерних организаций, издателя, редакторов и рецензентов. Любой продукт, который может быть оценен в этой статье, или претензии, которые могут быть сделаны его производителем, не гарантируются и не поддерживаются издателем.
Благодарности
Благодарим Джой МакКернан и профессора Ричарда Грина из Национального центра перинатальной эпидемиологии Университетского колледжа Корка за их помощь в сборе данных на протяжении всего проекта.
Ссылки
Альфиревич З., Девейн Д., Катберт Г. М. А. и Девейн Д. (2017). Непрерывная кардиотокография (КТГ) как форма электронного мониторинга плода (ЭФМ) для оценки состояния плода во время родов.
Кокрановская система базы данных. Ред. 2, CD006066. doi:10.1002/14651858.CD006066.pub3
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Эйрес-де-Кампос Д., Соуза П., Коста А. и Бернардес Дж. (2008). Omniview-SisPorto 3.5 — центральная станция мониторинга плода с онлайн-оповещениями на основе компьютеризированной кардиотокограммы + анализ событий ST. Дж. Перинат Мед. 36 (3), 260–264. doi:10.1515/JPM.2008.030
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Эйрес-де-Кампос Д., Спонг С.Ю. и Чандрахаран Э. (2015). Консенсусные рекомендации FIGO по интранатальному мониторингу плода: кардиотокография. Междунар. Дж. Гинекол. Обст. 131 (1), 13–24. doi:10.1016/j.ijgo.2015.06.020
CrossRef Полный текст | Google Scholar
Балайла Дж. и Шрем Г. (2019). Использование искусственного интеллекта (ИИ) в интерпретации интранатальных записей сердечного ритма плода (ЧЧСС): систематический обзор и метаанализ.
Арх. Гинекол. Обст. 300 (1), 7–14. doi:10.1007/s00404-019-05151-7
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Beard, RW, and Finnegan, TS (1974). Паттерны сердечного ритма плода и их клиническая интерпретация . Sussex: Sonicaid Ltd.
Google Scholar
Brocklehurst, P., Field, D., Greene, K., Juszczak, E., Keith, R., Kenyon, S., et al. (2017). Компьютеризированная интерпретация частоты сердечных сокращений плода во время родов (INFANT): рандомизированное контролируемое исследование. Ланцет 389 (10080), 1719–1729. doi:10.1016/s0140-6736(17)30568-8
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Campanile, M., D’Alessandro, P., Della Corte, L., Saccone, G., Tagliaferri, S., Arduino, B., et al. (2018). Интранатальная кардиотокография с компьютерным анализом и без него: систематический обзор и метаанализ рандомизированных контролируемых исследований. J. Материнско-плодовая неонатальная медицина.
33 (13), 2284–2290. doi:10.1080/14767058.2018.1542676
CrossRef Full Text | Google Scholar
Чудачек В., Спилка Дж., Бурса М., Янку П., Грубан Л., Гуптых М. и др. (2014). База данных интранатальных КТГ в открытом доступе. BMC Беременность Роды 14 (16), 1–12. doi:10.1186/1471-2393-14-16
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Кнаттингиус С., Йоханссон С. и Разаз Н. (2020). Показатели метаболического ацидоза при рождении и значения по шкале Апгар на 1, 5 и 10 минутах у доношенных детей: шведское когортное исследование. J. Перинатальная медицина. 48 (5), 514–515. дои: 10.1515/jpm-2019-0429
CrossRef Полный текст | Google Scholar
Коста, М. А., Эйр-де-Кампос, Д., Мачадо, А. П., Сантос, К. К., и Бернардес, Дж. (2010). Сравнение компьютерной системы оценки интранатальных кардиотокографических событий и консенсуса клиницистов. Дж. Перинат Мед. 38 (2), 191–195. doi:10.1515/jpm.2010.
030
Полный текст CrossRef | Google Scholar
Дэш С., Квирк Дж. Г. и Джурик П. М. (2014). Классификация сердечного ритма плода с использованием генеративных моделей. IEEE Trans. Биомед. англ. 61 (11), 2796–2805. doi:10.1109/tbme.2014.2330556
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Дорет М., Спилка Дж., Чудачек В., Гонсалвеш П. П. и Абри П. (2015). Фрактальный анализ и параметр Херста для анализа вариабельности сердечного ритма плода во время родов: универсальная альтернатива полосам частот и соотношению НЧ/ВЧ. PLoS One 10 (8), e0136661. doi:10.1371/journal.pone.0136661
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Гарсия-Канадилья, П., Санчес-Мартинес С., Криспи Ф. и Бийненс Б. (2020). Машинное обучение в кардиологии плода: чего ожидать. Диагностика плода. тер. 47, 363–372. doi:10.1159/000505021
Реферат PubMed | Полный текст перекрестной ссылки | Google Scholar
Георгиева А.
, Папагеоргиу А., Пейн С., Моулден М. и Редман К. (2014). Усреднение сигнала с выпрямлением по фазе для интранатального электронного мониторинга сердечного ритма плода связано с ацидемией при рождении. Бьог: Междунар. Дж. Обст. Гр 121 (7), 889–894.doi:10.1111/1471-0528.12568
CrossRef Полный текст | Google Scholar
Георгиева А., Редман К. В. Г. и Папагеоргиу А. Т. (2017). Компьютеризированная интерпретация интранатальной кардиотокограммы на основе данных: когортное исследование. Acta Obstet. Гинекол. Сканд. 96 (7), 883–891. doi:10.1111/aogs.13136
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Граветт К., Эккерт Л. О., Граветт М. Г., Дадли Д. Дж., Стрингер Э. М., Муджобу Т. Б. М., и другие. (2016). Необнадеживающий статус плода: определение случая и рекомендации по сбору данных, анализу и представлению данных о безопасности иммунизации. Вакцина 34 (49), 6084–6092. doi:10.1016/j.vaccine.2016.03.043
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Худбхой З.
, Номан М., Шафик А., Насим А., Чоудхури Д. и Хасан Б. (2019). Использование алгоритмов машинного обучения для прогнозирования риска для плода с использованием кардиотокографических данных. Междунар.Дж. Заявл. Базовая Мед. Рез. 9 (4), 226–230. doi:10.4103/ijabmr.IJABMR_370_18
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Грубан Л., Спилка Ю., Чудачек В., Янку П., Гуптых М., Бурша М. и др. (2015). Соглашение о записи интранатальной кардиотокограммы между экспертами-акушерами. Дж. Эвал. клин. Практика. 21 (4), 694–702. doi:10.1111/jep.12368
Полный текст CrossRef | Google Scholar
Игнатов П. Н., Лютомский Дж. Э.(2016). Количественная кардиотокография для улучшения оценки плода во время родов: предварительное рандомизированное контролируемое исследование. евро. Дж. Обст. Гинекол. Воспр. биол. 205, 91–97. doi:10.1016/j.ejogrb.2016.08.023
CrossRef Полный текст | Google Scholar
Кейт Р. Д.
Ф. и Грин К. Р. (1994). 4 Разработка, оценка и проверка интеллектуальной системы управления трудовыми ресурсами. Клин Байера. Обст. Гинеколь. 8 (3), 583–605. doi:10.1016/s0950-3552(05)80200-7
CrossRef Full Text | Google Scholar
Куринчук Дж.Дж., Уайт-Конинг М. и Бадави Н. (2010). Эпидемиология неонатальной энцефалопатии и гипоксически-ишемической энцефалопатии. Ранний гул. Развивать. 86 (6), 329–338. doi:10.1016/j.earlhumdev.2010.05.010
Полный текст CrossRef | Google Scholar
Lee, A.C., Kozuki, N., Blencowe, H., Vos, T., Bahalim, A., Darmstadt, G.L., et al. (2013). Интранатальная неонатальная энцефалопатия Заболеваемость и нарушения на региональном и глобальном уровнях в 2010 г. с тенденциями 1990 г. Pediatr.Рез. 74, 50–72. doi:10.1038/pr.2013.206
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Макдональд Д., Грант А., Шеридан-Перейра М., Бойлан П. и Чалмерс И. (1985). Дублинское рандомизированное контролируемое исследование интранатального мониторинга сердечного ритма плода.
утра. Дж. Обст. Гинекол. 152 (5), 524–539. doi:10.1016/0002-9378(85)
-2
CrossRef Full Text | Google Scholar
Maisonneuve, E., Audibert, F., Guilbaud, L., Lathelize, J., Jousse, M., Pierre, F., et al. (2011). Факторы риска тяжелого неонатального ацидоза. Акушерство. Гинекол. 118 (4), 818–823. doi:10.1097/aog.0b013e31822c9198
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Малин Г.Л., Моррис Р.К. и Хан К.С. (2010). Прочность связи между рН пуповины и перинатальными и долгосрочными исходами: систематический обзор и метаанализ. BMJ 340, c1471–13. doi:10.1136/bmj.c1471
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Нуньес И., Айрес-де-Кампос, Д., Угвумаду, А., Амин, П., Банфилд, П., Николл, А., и соавт. (2017). Центральный мониторинг плода с компьютерным анализом и без него. Акушерство. Гинекол. 129 (1), 83–90. doi:10.1097/aog.0000000000001799
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
О’Салливан М.
, Габрусева Т., Бойлан Г. Б., О’Риордан М., Лайтбоди Г. и Марнэйн В. (2021). «Классификация нарушений плода во время родов: обработка сигналов и разработка характеристик кардиотокографа» на Европейской конференции по обработке сигналов, Дублин, Ирландия, 23–27 августа 2021 г.Дублин: ЮСИПКО).
Google Scholar
Огасавара Дж., Икеноуэ С., Ямамото Х., Сато М., Касуга Ю., Мицукура Ю. и др. (2021). Классификация кардиотокограмм на основе глубокой нейронной сети превзошла традиционные алгоритмы. Научный представитель 11–13367. doi:10.1038/s41598-021-92805-9
CrossRef Full Text | Google Scholar
Петрозиелло А., Редман К.В., Папагеоргиу А.Т., Йорданов И. и Георгиева А. (2019). Мультимодальные сверточные нейронные сети для обнаружения компрометации плода во время родов. Доступ IEEE 7, 112026–112036. doi:10.1109/access.2019.2933368
Полный текст CrossRef | Google Scholar
Рейнольдс, А. Дж., Гири, М. П., и Хейс, Британская Колумбия (2020).
Интранатальная активность матки и неонатальные исходы: систематический обзор. BMC Беременность Роды 20 (532), 532. doi:10.1186/s12884-020-03219-w
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Рейнольдс А. Дж., Уолдрон О. М., Халперн Э. М., МакГарви К. М., Мюррей М.Л., Атер С.Б. и соавт. (2020). Алгоритм на основе вейвлета для автоматизированного анализа внешней токографии: как он соотносится с интерпретацией человека. Вычисл. биол. Мед. 122, 103814. doi:10.1016/j.compbiomed.2020.103814
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Rhöse, S., Heinis, A.M.F., Vandenbussche, F., van Drongelen, J., and van Dillen, J. (2014). Соглашение между наблюдателями и внутри них о неутешительном анализе кардиотокографии и последующем клиническом лечении. Acta Obstet. Гинекол. Сканд. 93 (6), 596–602. doi:10.1111/aogs.12371
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Романьоли С.
, Сброллини А., Бураттини Л., Маркантони И., Мореттини М. и Бураттини Л. (2020). Аннотационный набор данных кардиотокографических записей, составляющих «Базу данных интранатальной КТГ CTU-CHB». Data Brief 31, 105690. doi:10.1016/j.dib.2020.105690
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Шайдеггер, С., Хелд У., Грасс Б., Латал Б., Хагманн К. и Брочи Б. (2019). Ассоциация перинатальных факторов риска с неврологическим исходом у новорожденных с гипоксически-ишемической энцефалопатией. J. Материнско-плодовая неонатальная медицина. 34 (7), 1020–1027. doi:10.1080/14767058.2019.1623196
CrossRef Full Text | Google Scholar
Синьорини М. Г., Магенес Г., Черутти С. и Ардуини Д. (2003). Линейные и нелинейные параметры для анализа сигнала сердечного ритма плода по кардиотокографическим записям. IEEE Trans. Биомед. англ. 50 (3), 365–374. doi:10.1109/tbme.2003.808824
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Спилка Дж.
, Фрекон Дж., Леонардуцци Р., Пустельник Н., Эбри П. и Дорет М. (2016). Машина разреженных опорных векторов для классификации частоты сердечных сокращений плода во время родов. Компьютеры в кардиологии, 2014 г., Кембридж, Массачусетс, 7–10 сентября 2014 г. 21 (3), 664–671. doi:10.1109/JBHI.2016.2546312
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Спилка Ю., Эбри П., Гонсалвес П. и Дорет М. (2014). «Влияние первого и второго этапов родов на анализ частоты сердечных сокращений плода на основе параметров Херста», в журнале Computing in Cardiology 2014, Кембридж, Массачусетс, 7–10 сентября 2014 г. (IEEE).
Google Scholar
Спилка Дж., Георгулас Г., Карвелис П., Ойконоу В. П., Чудачек В., Стилиос К. и др. (2013). Автоматическая оценка записей FHR из базы данных CTU-UHB CTG. Инф. Тех. биомед. Сообщить. 8060, 47–61. дои: 10.1007/978-3-642-40093-3_4
CrossRef Полный текст | Google Scholar
Уоррик П.А., Гамильтон Э.
Ф., Прекап Д. и Кирни Р.Э. (2009). Выявление динамической взаимосвязи между интранатальным внутриутробным давлением и частотой сердечных сокращений плода для нормальных и гипоксических плодов. IEEE Trans. Биомед. англ. 56 (6), 1587–1597. doi:10.1109/tbme.2009.2014878
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Вестгейт Дж., Гарибальди Дж. М. и Грин К.Р. (1994). Анализ газов пуповинной крови при родах: время для качественных данных. BJOG: Int. J. O&G 101 (12), 1054–1063. doi:10.1111/j.1471-0528.1994.tb13581.x
Полный текст CrossRef | Google Scholar
Ятам С.С., Уилехан В., Арчер А. и Чандрахаран Э. (2020). Типы Intrapartum Гипоксия на Кардиотокография (КТГ): Есть ли у них какие-либо отношения с типом травм головного мозга в МРТ в доношенных новорожденных? Дж Obstet. Гинеколь. 40 (5), 688–693.DOI: 10.1080 / 01443615.2019.1652576
Crossref Полный текст | Google Scholar
Йе П., Эмари К.
и Импи Л. (2012). Взаимосвязь между pH артерий пуповины и серьезным неблагоприятным неонатальным исходом: анализ 51 519 последовательных проверенных образцов. BJOG Междунар. Дж. Обст. Гинеколь. 119 (7), 824–831. doi:10.1111/j.1471-0528.2012.03335.x
CrossRef Full Text | Google Scholar
Чжао З., Чжан Ю. и Дэн Ю. (2018). Всесторонний анализ характеристик сигнала сердечного ритма плода для интеллектуальной оценки состояния плода. Jcm 7 (8), 223–243. doi:10.3390/jcm7080223
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Непрерывная кардиотокография (КТГ) как форма электронного мониторинга плода (ЭФМ) для оценки состояния плода во время родов
Мы включили 13 испытаний с участием более 37 000 женщин. В это обновление не были включены новые исследования.
В одном испытании (4044 женщины) сравнивали непрерывную КТГ с прерывистой КТГ, во всех других испытаниях сравнивали непрерывную КТГ с прерывистой аускультацией.
Не было найдено данных, сравнивающих отсутствие мониторинга плода с непрерывной КТГ. В целом методологическое качество было неоднозначным. Все включенные исследования характеризовались высоким риском систематической ошибки, неясным или высоким риском систематической ошибки при обнаружении и неясным риском систематической ошибки в отчетах. Только два испытания были оценены как высокое методологическое качество.
По сравнению с периодической аускультацией непрерывная кардиотокография не показала значительного улучшения общей частоты перинатальной смертности (отношение рисков (ОР) 0,86, 95% доверительный интервал (ДИ) 0.от 59 до 1,23, N = 33 513, 11 испытаний, доказательства низкого качества), но ассоциировалось со снижением вдвое частоты судорог у новорожденных (ОР 0,50, 95% ДИ 0,31–0,80, N = 32 386, 9 испытаний, доказательства среднего качества). Не было различий в частоте церебрального паралича (ОР 1,75, 95% ДИ от 0,84 до 3,63, N = 13 252, 2 испытания, доказательства низкого качества).
Отмечалось увеличение числа кесаревых сечений, связанных с непрерывной КТГ (ОР 1,63, 95% ДИ от 1,29 до 2,07, N = 18 861, 11 испытаний, доказательства низкого качества). Женщины также чаще имели инструментальные вагинальные роды (RR 1.15, 95% ДИ от 1,01 до 1,33, N = 18 615, 10 испытаний, доказательства низкого качества). Не было различий в частоте возникновения ацидоза пуповинной крови (ОР 0,92, 95% ДИ от 0,27 до 3,11, N = 2494, 2 испытания, доказательства очень низкого качества) или использования какого-либо фармакологического обезболивания (ОР 0,98, 95% ДИ от 0,88 до 1,09). , N = 1677, 3 испытания, доказательства низкого качества).
По сравнению с интермиттирующей КТГ непрерывная КТГ не влияла на частоту кесарева сечения (ОР 1,29, 95% ДИ от 0,84 до 1,97, N = 4044, 1 испытание) или инструментальных родов (ОР 1.16, 95% ДИ от 0,92 до 1,46, N = 4044, 1 испытание). Меньший ацидоз пуповинной крови наблюдался у женщин с интермиттирующей КТГ, однако этот результат мог быть случайным (ОР 1,43, 95% ДИ от 0,95 до 2,14, N = 4044, 1 испытание).
Данные для подгрупп низкого риска, высокого риска, преждевременной беременности и высококачественных исследований соответствовали общим результатам. Доступ к забору крови плода, по-видимому, не влиял на различия в неонатальных судорогах или других исходах.
Доказательства оценивались с помощью GRADE.Большинство исходов были оценены как доказательства низкого качества (частота перинатальной смерти, церебрального паралича, кесарева сечения, инструментальных вагинальных родов и любой фармакологической анальгезии) и понижены из-за ограничений дизайна, непоследовательности и неточности результатов. Качество остальных исходов было понижено до умеренного (неонатальные судороги) и очень низкого качества (ацидоз пуповинной крови) из-за аналогичных опасений по поводу ограничений дизайна, непоследовательности и неточности.
Брадикардия плода – журнал O&G
Согласно определению RANZCOG Intrapartum Fetal Surveillance (IFS) 2014, брадикардия плода — это частота сердечных сокращений плода (ЧСС) ниже 100 ударов в минуту (уд/мин) в течение более пяти минут.
В образовательной программе RANZCOG по наблюдению за плодом (FSEP) негипоксическая брадикардия плода называется исходной брадикардией. Другими словами, плод с брадикардией, не связанной с гипоксией. Учитывая, что руководство RANZCOG IFS определяет нормальную исходную частоту сердечных сокращений плода на уровне 110–160 ударов в минуту, это также будет включать плод с исходной частотой сердечных сокращений плода от 100 до 110 ударов в минуту.
Более частые причины исходной (негипоксической) брадикардии плода включают зрелую парасимпатическую систему (рис. 1), прием лекарств матерью (высокие дозы бета-блокаторов), дефект сердечной проводимости плода (блокада сердца) или, иногда, что оказалось случайным мониторингом частоты сердечных сокращений матери, особенно во время активных родов.
Антенатальная кардиотокография (КТГ) на рис. 1 была записана у первобеременной женщины в сроке беременности 41+4 недели. За ней следили на предмет пост-дат. Сообщается, что AFI составляет 12 см. При исходной частоте сердечных сокращений плода 90–95 ударов в минуту, нормальной исходной вариабельности и акселерации это хорошо насыщенный кислородом плод. Тем не менее, это патологическая КТГ по определению.При отсутствии лечения матери исходная брадикардия, скорее всего, является результатом зрелой парасимпатической нервной системы. Плод в порядке.
Рисунок 1.
Исходная брадикардия плода.
Гипоксическая брадикардия плода — критическая по времени картина сердечного ритма, требующая немедленного распознавания и соответствующего лечения. Исследования ясно показывают, что чем дольше длится брадикардия, тем хуже результаты. Если плод действительно скомпрометирован, он недостаточно перфузируется кислородом.Таким образом, лечение первой линии и в некоторой степени независимо от причины гипоксии должно быть:
- изменить положение матери, чтобы уменьшить компрессию пуповины и улучшить ее кровяное давление,
- при необходимости откорректируйте артериальное давление матери; и
- устранить активность матки, если она присутствует, с помощью 250 мкг тербуталина подкожно (или эквивалента).
Более конкретное лечение, включая родоразрешение, в значительной степени будет определяться общей клинической картиной, оценкой физиологических основ брадикардии и реакцией на лечение первой линии.Следует провести вагинальное исследование для оценки прогресса, исключения выпадения пуповины, облегчения наложения электрода на кожу головы плода и определения возможного способа родов.
Если физиологическая основа брадикардии плода неясна, следует рассмотреть сигнальное событие, такое как отслойка матки или разрыв матки.
Более частые причины устойчивой гипоксии плода и последующей брадикардии включают гиперстимуляцию матки (за счет тахисистолии или гипертонуса), гипотензию матери (позиционную, процедурную или анестезию), устойчивую компрессию пуповины, включая выпадение пуповины, или быстрое опускание головки плода через таз.Менее распространенными причинами могут быть отслойка плаценты, инфаркт плаценты, разрыв матки или гипоксия матери.
К счастью, большинство брадикардий плода имеют прямую причину и поддаются соответствующему лечению без экстренного кесарева сечения. Признавая, что некоторые брадикардии имеют неизвестную этиологию, подготовка к оперативному родоразрешению должна стать частью общей стратегии ведения в этих случаях. Это особенно важно там, где возможны задержки с открытием операционной, например, в небольшой больнице в нерабочее время.
Заблаговременное планирование имеет ключевое значение в этих обстоятельствах.
Слишком часто «неизвестной этиологией» брадикардии является просто плохо зарегистрированная гиперстимуляция матки. Клиницисты, как правило, прилагают все усилия, чтобы обеспечить качественную регистрацию сердечного ритма плода, но это не всегда так в случае с маточными сокращениями. Определенную роль в этом может сыграть материнский габитус, и роль внутриматочного катетера, хотя и эффективная, четко не определена.
На рис. 2 показан такой пример, где первородящая женщина на сроке беременности 39+6 недель получала аугментацию синтоциноном для замедления прогресса.Других известных факторов риска не было. Предыдущая КТГ продемонстрировала исходную частоту сердечных сокращений плода 145 ударов в минуту с нормальной исходной вариабельностью. Были периодические ускорения. Отмечались изолированные вариабельные замедления на 30–60 ударов в минуту продолжительностью 45–60 секунд. Сократительная активность матки регистрировалась на уровне 3–4:10 сильного.
Рисунок 2. Брадикардия плода из-за (плохо зарегистрированной) гиперстимуляции матки.
Лечение включало изменение положения матери и прекращение приема Синтоцинона.Вагинальное исследование в 04:50 выявило толстую переднюю шейную губу и плод в прямом положении OP. Наблюдается перерегулирование после замедления, поскольку плод компенсирует период гипоксии. Женщину перевели в операционную для кесарева сечения, и ребенок родился в хорошем состоянии. Артериальный и венозный лактаты пуповины были в пределах нормы.
Более поздняя оценка и обсуждение КТГ были сосредоточены на том факте, что хотя схватки были зарегистрированы силой 3–4:10 и выглядели «скромными» на КТГ, большинство из них продолжалось более двух минут.Токолиз в то время не рассматривался и, к счастью, не требовался. Эта маточная активность должна была быть описана как гиперстимуляция матки (по гипертонусу), и консервативное лечение могло быть рассмотрено ранее.
Рисунок 3 был записан у повторнобеременной женщины на 40-й неделе беременности.
За ней наблюдали после замедления, отмеченного при аускультации. Женщина перешла на четвереньки в результате повышения давления в кишечнике. Пока требовалась помощь и велась подготовка к ускорению родов, произошли спонтанные роды.КТГ до брадикардии позволяет прогнозировать хорошо насыщенный кислородом плод, и можно ожидать, что ребенок при рождении будет в хорошем состоянии. Ребенок родился слегка «оглушенным» в 10:50 с оценкой по шкале Апгар 7 и 9 баллов. Реанимации не потребовалось. Лактат пуповины не проводили.
Рисунок 3. Брадикардия плода из-за быстрого продвижения/опускания/рождения.
Рисунок 4 был записан у первородящей женщины, которую в срок стимулировали к уменьшению шевелений плода.Созревание шейки матки осуществляли с помощью баллонного катетера. КТГ до и после баллонного катетера были в норме. Произведен искусственный разрыв плодных оболочек с дренированием прозрачного ликвора. Инфузию синтоцинона начали примерно за два часа до этого. Предыдущая КТГ продемонстрировала исходную частоту сердечных сокращений плода 130–135 ударов в минуту с нормальной исходной вариабельностью.
Разгонов не было. Отмечались единичные вариабельные замедления со скоростью 30–40 ударов в минуту продолжительностью 30–45 секунд. Сократительная активность матки регистрировалась на уровне 3–4:10 сильного.
Рисунок 4. Брадикардия плода.
Управление в данном случае было своевременным и надлежащим. Сначала положение матери было изменено, а инфузия синтоцинона прекращена. При влагалищном исследовании выявлено раскрытие шейки матки на 5-6 см, отсутствие пуповины. Тербуталин 250 мкг вводили подкожно во время подготовки к кесареву сечению. Снова наблюдается перерегулирование частоты сердечных сокращений плода после замедления. Реакция плода свела на нет необходимость экстренного родоразрешения.Прием синтоцинона возобновили примерно через час, как только исходная частота сердечных сокращений плода и исходная вариабельность нормализовались. Поскольку большинство сокращений матки продолжалось 90–120 секунд, частота сокращений 3:10 поддерживалась при разумном использовании синтоцинона.
Вспомогательные вагинальные роды примерно через шесть часов стали окончательным результатом, и ребенок родился в хорошем состоянии. Артериальный и венозный лактаты пуповины были зарегистрированы на уровне 6,7 и 4,4 ммоль/л, в пределах нормы для вагинальных родов.
Несмотря на наличие противопоказаний к применению тербуталина/токолиза, таких как отслойка плаценты или сердечно-сосудистые заболевания у матери, этот метод, вероятно, недостаточно используется в нашем лечении гиперстимуляции матки. Ожидаются побочные эффекты материнской и фетальной тахикардии. Опасения по поводу атонии матки и чрезмерных кровотечений в результате применения тербуталина не подтверждаются в литературе и, учитывая очень короткий период полувыведения, маловероятны. Важно отметить, что тербуталин не останавливает роды, но облегчает внутриутробную реанимацию и «выигрывает» время для принятия тактических решений.Из-за короткого периода полураспада у большинства женщин схватки возобновляются в течение 15 минут, что дает клиницистам «стресс-тест» плода, помогающий принимать решения по лечению.
Хотя некоторые брадикардии плода в конечном итоге не поддаются лечению, они составляют меньшинство. Из тех, которые поддаются соответствующему лечению, многие являются результатом гиперстимуляции матки. Поскольку большинству хорошо развитых доношенных плодов требуется не менее 60–90 секунд «отдыха» матки между сокращениями для поддержания адекватной оксигенации, медицинские работники должны осознавать важность правильной оценки не только схваток, но и перерыва между ними. .
В счет идет перерыв между схватками, не считая схваток! Клиницисты также должны быть знакомы со своим протоколом токолиза, потому что может возникнуть гиперстимуляция матки.
Последние достижения в компьютеризированном мониторинге плода в Labor
Austin J Акушер-гинеколог. 2018; 5(3): 1101.
* Автор, ответственный за переписку: Игнатов П.Н., кафедра Фетальная медицина, Медицинский центр Ортогин, София, Болгария
Аннотация
Более чем через два десятилетия после внедрения компьютеризированной
Кардиотокография (кКТГ) в клинической практике до сих пор вызывает споры
и отсутствие принятия.
В основном это связано с тем, что до сих пор не было
доказательства того, что существующие системы cCTG могут снизить вероятность кесарева сечения
роды, вагинальные роды с помощью щипцов или неблагоприятные последствия для ребенка, такие как
гипоксия и/или ацидемия, поражение головного мозга из-за недостатка кислорода (неонатальные судороги,
гипоксически-ишемическая энцефалопатия), оценка по шкале Апгар менее семи на 5-й минуте
или поступление в отделение интенсивной терапии новорожденных (NICU). Однако в последнее время это
было продемонстрировано, что мониторинг родов с помощью новой системы cCTG, называемой
«Протокол QSL», который основан на внешней компьютеризированной CTG, приводит к
значительное снижение частоты гипоксии плода и оперативных родов,
по сравнению со стандартной КТГ.Тем не менее, до принятия QSL
Протокол как золотой стандарт в повседневной клинической практике, больший рандомизированный контроль
необходимо провести испытания, чтобы оценить его потенциал для выявления более редких нежелательных явлений.
и мертворождение.
Введение
Кардиотокография (КТГ) в настоящее время является золотым стандартом для диагностики плода.
наблюдение во время родов. Он используется во всем мире, ежедневно.
Однако интерпретация кривых КТГ может оказаться сложной, в основном
из-за существенных различий в существующих руководствах по клинической практике.Обширные исследования показали, что одна и та же кривая КТГ может вызывать
противоречивые интерпретации между поставщиками услуг по охране материнства
(изменчивость между и внутри наблюдателя), [1-8], что сбивает с толку
учитывая влияние записей КТГ на принятие клинических решений [9].
КТГ имеет относительно низкую специфичность (высокий процент ложноположительных результатов) для
выявление гипоксии плода и сопутствующих осложнений. Как результат,
кардиотокографические данные, ошибочно идентифицированные как нормальная задержка
необходимые вмешательства, потенциально повышающие риск гипоксии или
метаболический ацидоз у младенцев, который часто приводит к возникновению
неонатальные осложнения, такие как судороги, энцефалопатии, церебральный паралич,
когнитивные и неврологические расстройства или мертворождения [6].
И наоборот,
трассировка, неправильно идентифицированная как ненормальная, может привести к ненужным
вмешательство, такое как индукция родов или кесарево сечение. Данный
эти клинические последствия, за последние 30 лет существенные исследования
исследовал влияние мониторинга КТГ в его нынешнем виде.
По-видимому, использование непрерывной стандартной КТГ во время родов ведет к
к значительному снижению риска неонатальных судорог, хотя
не снижает риск гипоксии/ацидоза плода и детского церебрального паралича.
Интересно, что это также было связано со значительно более высокими показателями
Кесарево сечение и инструментальное родоразрешение [9,10].
Можно ли улучшить текущее состояние дел?
В настоящее время предполагается, что существующая изменчивость наблюдателя в
Интерпретация КТГ может быть сведена к минимуму за счет использования электронных
алгоритмы, реализованные в экспертных системах (ЭС). Экспертные системы
(ЭС) представляют собой тип прикладного искусственного интеллекта, предназначенного для
помогают в принятии сложных решений [11].
В контексте здравоохранения ЭС синтезируют компьютеризированную базу знаний, полученную от экспертов.
мнение с индивидуальными данными пациента, чтобы направлять пользователей к возможным
диагноз или решение о лечении [11].Для обработки данных ЭС может
применять алгоритмы на основе правил или нейронные сети (т. е. модель шаблона
распознавание на основе ранее собранных данных) [12]. Требования
для ЭС различаются; системы могут быть сетевыми или поддерживаться на автономном
персональный компьютер. ЭС являются безбумажными и представляют данные в режиме реального времени,
что имеет решающее значение в условиях здравоохранения, где изменения в
состояние здоровья может произойти быстро. Возможности ЭС в родильном доме
забота хорошо известна, и в результате наблюдается рост
интерес к разработке ЭС для мониторинга КТГ [9,13,14].В то время как
более ранние версии демонстрировали лишь ограниченные успехи, некоторые достижения
было сделано в разведывательном программном обеспечении. Несколько обсервационных исследований
сообщили о значительном улучшении уровня согласия между
практикующие врачи, интерпретирующие модели сердечного ритма плода с помощью
ЭС [13,15,16].
Тем не менее до недавнего времени не было никаких доказательств того, что
КТГ с ЭС снижает вероятность кесарева сечения, щипцового родоразрешения
вагинальные роды или неблагоприятные последствия для ребенка, такие как гипоксия плода
и/или ацидемия, поражение головного мозга из-за недостатка кислорода (неонатальный
судороги, гипоксически-ишемическая энцефалопатия), оценка по шкале Апгар менее
семь через пять минут или госпитализация в отделение интенсивной терапии новорожденных
Отделение (ОИТН).В конце 2016 г. Игнатов и соавт. опубликовал окончательные результаты
из испытания, направленного на оценку эффективности нового ES под названием «QDS
Протокол». Было продемонстрировано, что мониторинг родов с помощью QSL
Протокол, основанный на внешней компьютеризированной КТГ, приводит к
значительное снижение частоты гипоксии плода и оперативных
родов по сравнению со стандартной КТГ [17].
Протокол QDS в деталях
Эта ES основана на непрямой количественной кардиотокографии
(кКТГ) [18].
В настоящее время он интегрирован в систему NEXUS/OBSTETRICS.
программный пакет, ранее известный как ARGUS (Nexus GMT,
Франкфурт, Германия), которая является одной из нескольких признанных систем мониторинга плода. Интерфейс NEXUS/OBSTETRICS с
Модуль qCTG показан на (Рисунок 1).
дилемм и неопределенностей — Ирландский медицинский журнал
Тахикардия плода (FT) описывается как увеличение исходной частоты сердечных сокращений плода (FHR) выше 160 ударов в минуту. Легкая тахикардия плода описывается как 161-180 ударов в минуту, а тяжелая тахикардия определяется как более 180 ударов в минуту в течение как минимум трех минут.Причины тахикардии плода включают лихорадку у матери, обезвоживание или тревогу, кетоз у матери, прием таких лекарств, как антихолинергические препараты, симпатомиметические препараты, такие как тербуталин, шевеления плода, недоношенность плода, тиреотоксикоз у матери и анемию у матери 1 . Фетальная тахикардия считается значимой (любой диапазон >160-180 ударов в минуту) при наличии лихорадки у матери, так как подозревается хориоамнионит.
Аритмия плода или врожденный порок связаны с ЧСС более 200 ударов в минуту . Базовая тахикардия FHR представляет собой повышение симпатического и/или снижение тонуса парасимпатической вегетативной нервной системы 1 .
Осложненная тахикардия плода в сочетании с децелерацией или лихорадкой у матери является основанием для принятия решения о родоразрешении в связи с дистрессом плода и подозрением на хориоамнионит соответственно. Однако в повседневной клинической практике нелегко бороться с неосложненной тахикардией, потому что у клиницистов нет четких рекомендаций по вмешательству в случаях неосложненной тахикардии плода при отсутствии лихорадки у матери, когда тахикардия не проходит даже при консервативных мерах, таких как левосторонняя были изучены наклон, гидратация и контроль боли.Таким образом, дилемма, с которой сталкиваются клиницисты в родах, заключается в следующем: «Какая продолжительность неосложненной тахикардии плода является значимой и как долго консервативное лечение безопасно при отсутствии гипертермии и замедления у матери»? Должно ли консервативное лечение с выжидательным наблюдением ограничиваться 30–45 мин, 45–90 мин или более 90 мин? Один из вариантов, который может быть доступен, — это выполнение забора крови плода (FBS), если это возможно сделать во время родов.
Но снова возникает другая дилемма: когда проводить ФБС при неосложненной тахикардии плода? Должен ли он быть в пределах 30-45 минут, 45-90 минут или более 90 минут от начала консервативного лечения, такого как наклон влево, гидратация и контроль боли? Возникает еще один большой вопрос: действительно ли оправдано проведение FBS при неосложненной тахикардии плода при отсутствии децелерации?
Мы знаем, что гипоксия плода, врожденные аномалии сердца и тахикардия плода сами по себе могут вызывать снижение вариабельности, поэтому можно утверждать, что тахикардия плода со сниженной вариабельностью не является обнадеживающим признаком и может служить основанием для родоразрешения.Но данные показывают, что тахикардии плода со сниженной вариабельностью в случаях интранатальной гипоксии всегда будут предшествовать децелерации 2 . Следовательно, клиницисты могут столкнуться с другой дилеммой в случаях, когда тахикардии плода не предшествует децелерация при отсутствии лихорадки у матери.
В целях предосторожности, возможно, большинство клиницистов все еще будут подозревать инфекцию при тахикардии плода со сниженной вариабельностью при отсутствии материнской лихорадки или предшествовавших децелераций; однако вопрос о роли и продолжительности выжидательной/консервативной тактики и отсутствии четких указаний со стороны профессиональных организаций в отношении неотложности родов сопряжен со сложными вопросами безопасности плода, управления рисками и судебных разбирательств.
Dr Junaid Rafi MBBS, MRCPI, EFOG-EBCOG, DFSRH
Госпиталь Ипсвича NHS Trust, Heath Road, Ipswich, IP4 5PD, UK
Ссылки:
1: Электронная книга Smith R.P. Netter по акушерству и гинекологии. Филадельфия: Elsevier Health Sciences; 2017
2: Ugwumadu A. Руководствуемся ли мы (неправильными) текущими рекомендациями по интранатальному мониторингу частоты сердечных сокращений плода? Случай более физиологического подхода к интерпретации. БЖОГ 2014; 121:1063–1070
(P722)
%PDF-1.
4
%
461 0 объект
>
эндообъект
внешняя ссылка
461 73
0000000016 00000 н
0000002428 00000 н
0000002593 00000 н
0000003144 00000 н
0000003276 00000 н
0000003413 00000 н
0000003556 00000 н
0000004072 00000 н
0000004778 00000 н
0000005427 00000 н
0000006101 00000 н
0000006128 00000 н
0000006699 00000 н
0000006959 00000 н
0000007073 00000 н
0000007185 00000 н
0000008684 00000 н
0000008816 00000 н
0000009520 00000 н
0000009724 00000 н
0000009751 00000 н
0000010431 00000 н
0000010680 00000 н
0000010983 00000 н
0000011238 00000 н
0000011757 00000 н
0000012982 00000 н
0000014052 00000 н
0000015077 00000 н
0000016267 00000 н
0000017314 00000 н
0000017724 00000 н
0000018869 00000 н
0000019141 00000 н
0000019412 00000 н
0000020197 00000 н
0000020267 00000 н
0000020390 00000 н
0000044472 00000 н
0000044735 00000 н
0000045267 00000 н
0000080685 00000 н
0000080948 00000 н
0000081518 00000 н
0000107013 00000 н
0000107083 00000 н
0000107164 00000 н
0000121511 00000 н
0000147985 00000 н
0000148055 00000 н
0000148168 00000 н
0000166048 00000 н
0000166317 00000 н
0000166715 00000 н
0000166742 00000 н
0000167199 00000 н
0000167269 00000 н
0000167376 00000 н
0000185427 00000 н
0000185705 00000 н
0000186056 00000 н
0000186083 00000 н
0000186508 00000 н
0000207486 00000 н
0000207735 00000 н
0000208114 00000 н
0000229376 00000 н
0000229631 00000 н
0000230057 00000 н
0000246699 00000 н
0000246955 00000 н
0000002239 00000 н
0000001791 00000 н
трейлер
]/Предыдущая 333056/XRefStm 2239>>
startxref
0
%%EOF
533 0 объект
>поток
hb«`b`Hd`g`Hbb@
Классификация состояния плода посредством применения методов машинного обучения к записям кардиотокографии: На пути к реальному применению
Резюме
Цель Предвидение риска для плода является основным фактором снижения детская и материнская смертность и страдания.
В этом контексте кардиотокография (КТГ) является недорогой, хорошо зарекомендовавшей себя процедурой, которая существует уже несколько десятилетий, несмотря на отсутствие единого мнения относительно ее влияния на результаты.
Машинное обучение появилось как вариант автоматической классификации записей КТГ, поскольку предыдущие исследования показывали результаты экспертного уровня, но часто приходилось платить за это снижением потенциала обобщения.
Имея это в виду, настоящее исследование стремилось улучшить статистическую строгость оценки по отношению к реальному применению.
Материалы и методы В этом исследовании набор данных из 2126 записей КТГ, помеченных как нормальные, подозрительные или патологические по согласованию трех экспертов-акушеров, был использован для создания базовой модели случайного леса.
За этим последовало создание модели lightgbm, настроенной с использованием регрессии гауссовского процесса и последующей обработки с использованием ансамбля перекрестной проверки.
Производительность оценивалась с использованием показателя площади под кривой точности-отзыва (AUPRC) в ходе 100 выполненных экспериментов, в каждом из которых использовался тестовый набор, состоящий из 30 % данных, стратифицированных по метке класса.
Результаты Наилучшей моделью был ансамбль моделей lightgbm с перекрестной проверкой, который дал 95,82% AUPRC.
Выводы Показано, что модель обеспечивает стабильную производительность на экспертном уровне при менее чем незначительных затратах. При расчетной цене 0,78 долларов США за миллион прогнозов модель может приносить пользу в условиях наличия квалифицированного персонала CTG и тем более в его отсутствие.
1. Введение
Прямая информация о благополучии плода не является простой задачей во время беременности, и ключевая информация, такая как частота сердечных сокращений плода (ЧСС), имеет решающее значение для прогнозирования рисков для плода как в дородовом, так и во время родов.
[12]
В этом контексте кардиотокография (КТГ) является хорошо зарекомендовавшей себя рутинной процедурой, которая используется с конца 1960-х годов для мониторинга частоты сердечных сокращений плода и сигналов сокращений матки (UC) во время беременности и родов. [12]
Сама частота сердечных сокращений плода используется для исследования снабжения плода кислородом, поскольку гипоксия во время родов может привести к смерти и длительной инвалидности. [7]
Интерпретация сигналов КТГ поддерживается рекомендациями, разработанными такими учреждениями, как Международная федерация гинекологии и акушерства (FIGO) и Институт детского здоровья и развития человека (NICHD).[3]
В то время как сигналы FHR и UC являются основной целью КТГ, рекомендации расширяют определение наблюдений, чтобы включить характеристики, описывающие эти сигналы, такие как ускорение, замедление и изменчивость. [16]
Несмотря на существование этих руководств, исследование КТГ по-прежнему склонно к субъективности, и нет единого мнения относительно его интерпретации.
Эта субъективность распространяется на измерение его результатов, которые через 40 или около того лет после его внедрения все еще сохраняют значительную дисперсию.[2]
КТГ чаще всего применяется при беременности с высоким риском и не рекомендуется Всемирной организацией здравоохранения (ВОЗ) для здоровых беременных женщин, перенесших спонтанные роды. [20]
2. Связанные работы
Исследования влияния КТГ на результаты имеют значительную вариабельность: чувствительность от 2 до 100% и специфичность от 37 до 100% [2].
В основе такой дисперсии лежит возможность улучшить согласованность за счет применения машинной модели, которая устранит вариацию между наблюдателями.
В прошлых исследованиях машинного обучения для автоматической классификации CTG авторы часто отдавали предпочтение теоретическим характеристикам практическим приложениям, например, такие решения, как исключение подозрительного класса [9] [15] [17], однократные эксперименты [9] [15] [17] [21] и тестовые наборы небольшого размера [9] [17] [21] ограничивают потенциальное обобщение любой данной модели.
Настоящее исследование было направлено на повышение статистической точности предыдущей работы с машинным обучением, примененной к CTG, чтобы на один шаг приблизить результаты к реальному применению.
3. Материалы и методы
3.1 Набор данных
Набор данных, использованный в этом исследовании, содержит 2126 кардиотокограмм плода, представленных по 21 признаку, относящемуся к 3 различным классам: нормальный (n = 1655), подозрительный (n = 295) и патологический (n = 196). [1]
Маркировка классов была дана на основе консенсуса трех экспертов-акушеров с использованием FIGO в качестве руководства для интерпретации. [3]
Функции были созданы программным обеспечением SisPorto 2.0 [1], которое применяет распознавание образов к цифровым сигналам CTG, обеспечивая функции, описанные в таблице 1 ниже.
Таблица 1.Описание переменных набора данных. [3]
3.2 Показатели
Основным показателем, используемым для измерения производительности в этом исследовании, является площадь под кривой точности-отзыва .
Обоснование этого триедино: метрика представляет производительность в условиях дисбаланса классов, метрика позволяет принимать практические решения (например, в пользу отзыва для целей скрининга или точности для распределения ресурсов), а также концептуально знакома специалистам, которые прошли детский сад или медицинскую школу. .AUPRC можно определить в приведенном ниже уравнении [14], где p и r обозначают точность и полноту соответственно: Также были доступны вторичные показатели, включая точность, прецизионность, полноту, показатель f1 и площадь под кривой характеристики оператора приемника (AUROC).
AUPRC был выбран в пользу AUROC, поскольку кривая ROC может вводить в заблуждение перед лицом дисбаланса классов, поскольку несколько примеров класса меньшинства снижают достоверность измеренной производительности [5].
Logloss использовался в качестве функции потерь для обучения классификаторов, а также в качестве критерия минимизации при оптимизации гиперпараметров.
3.3 Метод оценки
Для обеспечения надежности предлагаемых методов все эксперименты были повторены 100 раз (n = 100), а представленные показатели представляют собой медиану результатов экспериментов.
В каждом запуске эксперимента набор для тестирования состоял из 30% данных с использованием целевых классов в качестве критериев стратификации.
Во время оптимизации гиперпараметров модели обучались при k-кратной перекрестной проверке с использованием k = 4 на обучающих данных.
3.4 Модели машинного обучения и оптимизация гиперпараметров
Чтобы установить базовый уровень производительности, была разработана модель RandomForest [6]. Причина этого выбора связана с низкой дисперсией в сочетании с хорошими уровнями смещения, а также синергией между этой структурой и окончательным кандидатом, моделью LightGBM [13].
Алгоритмы на основе дерева основаны на аналогичных предположениях и представлениях, поэтому их производительность можно последовательно сравнивать, не требуя дополнительных затрат на предварительную обработку.
Параметры базовой модели не были настроены, скорее, они были выбраны для основной цели снижения дисперсии, чтобы установить согласованную базовую линию для производительности, а также по возможности свести к минимуму систематическую ошибку.
В таблице 2 представлены параметры и константы, используемые в базовой модели.
Таблица 2.Параметры базовой модели случайного леса.
Таблица 3. ПараметрыLightGBM, полученные с помощью байесовской оптимизации.
После базовой модели была задумана модель lightgbm посредством байесовской оптимизации с использованием регрессии гауссовского процесса, отображающей логарифмические потери модели (рассчитанные на k-кратной перекрестной проверке с k = 4) с параметрами в пространстве поиска.
Процедура оптимизации включала 30 случайных запусков, за которыми следовали 70 раундов уточнения, приводящие к классификатору lightgbm со следующими параметрами:
3.5 Постобработка
ансамбль проверки (CVE), в котором модель обучается несколько раз (k = 4) на разных подмножествах обучающей выборки, а ее окончательные прогнозы впоследствии усредняются.
Этот процесс позволил уменьшить как систематическую ошибку, так и дисперсию, как показано в следующем разделе.
4. Результаты
Результаты обобщены в таблице 6, а диаграммы 1 и 2 отображают производительность лучшей модели. Более подробная таблица результатов экспериментов для каждой модели доступна в приложениях 1, 2 и 3.
Диаграмма 1:Производительность CVE LightGBM
Диаграмма 2:Производительность CVE LightGBM, измеренная по классам П, патологический.
В рамках результатов была сделана оценка стоимости модели для дальнейшей поддержки развертывания в реальных условиях и оценки ценности для здравоохранения.
Исходя из оценки в 140 миллионов рождений в год [19] во всем мире, что примерно соответствует 12 миллионам рождений в месяц и времени выполнения 300 миллисекунд, модель lightgbm будет стоить 0,78 доллара США за каждый миллион прогнозов или 9,33 доллара США в месяц за охват всех рождений. в указанный период.
5. Обсуждение
Было показано, что подозрительный класс труднее всего предсказать, вероятно, из-за того, что по сравнению с нормальным классом наблюдается меньше наблюдений, а также из-за того, что он находится между другими классами.
.
Хотя это, безусловно, увеличит вычислительные затраты, использование необработанного сигнала может дать лучшие результаты, поскольку теоретически оптимальная ошибка Байеса уменьшается при использовании агрегации, как это было сделано SisPorto 2.0.
Смета затрат не учитывает непрямые затраты, характерные для конкретного объекта, такие как ИТ, инфраструктура данных, необходимая для поддержки модели, и резко завышает количество необходимых прогнозов, поскольку не все трудовые инциденты требуют обследования CTG для начала .
Чтобы еще больше приблизить эту модель к реальным условиям, мы рекомендуем изучить влияние производителя, возраста и этнической группы [4], чтобы убедиться, что модель сохраняет уровни производительности в условиях различий населения и оборудования.
6. Заключение
Модели, созданные в ходе этого исследования, показали хорошие и стабильные уровни производительности. Lightgbm с байесовской оптимизацией оказался очень полезным для повышения базовой линии, как и ансамбль перекрестной проверки, который дал небольшой, но долгожданный прирост производительности.
Поскольку влияние КТГ на результаты остается неясным, машинная модель может улучшить измерения за счет снижения субъективности.
Недорогая структура в сочетании с тем фактом, что КТГ является широко распространенной процедурой, делает ее отличным кандидатом для экспериментов в реальных условиях.
Накладные расходы, добавляемые моделью ИИ, легко перевешиваются потенциальным повышением эффективности в областях с квалифицированными специалистами CTG и тем более в средах с ограниченными ресурсами, где в противном случае экзамен был бы недоступен.
9. Приложение
Приложение 1.Результаты базового эксперимента Random Forest
Приложение 2.Результаты эксперимента LightGBM
Приложение 3.Ансамбль перекрестной проверки Результаты эксперимента LightGBM
Амаро, Адриано Перейра и Веллингтон Лусена за вдохновение и поддержку. Мы также выражаем благодарность Kaggle за предоставление бесплатных вычислительных ресурсов.
8. Ссылки
- [1].
