nach oben

Die Gynäkologie

Erschienen in:

09.09.2022 | Präeklampsie | Leitthema

Vorteile der KI-gestützten geburtshilflichen Überwachung

verfasst von: O. Graupner, Prof. Dr. med. C. Enzensberger

Erschienen in: Die Gynäkologie | Ausgabe 10/2022

Einloggen, um Zugang zu erhalten

Zusammenfassung

Hintergrund

Künstliche Intelligenz (KI) imitiert die Art und Weise, wie das menschliche Gehirn Informationen verarbeitet. Maschinelles Lernen (ML) ist ein Teilbereich der KI, mit dessen Hilfe Wissen aus großen Datenmengen extrahiert werden kann, wobei verschiedene ML-Methoden differenziert werden können. Die KI kann Geburtshelfer/‑innen dabei unterstützen, Entscheidungen fundiert zu treffen, die Quote an medizinischen Fehlern zu reduzieren sowie die Genauigkeit bei der Interpretation verschiedener Diagnosen zu verbessern.

Ziel der Arbeit

Im Bereich der Geburtshilfe häufen sich Studien, die eine erfolgreiche Anwendung des ML beim Screening auf Schwangerschaftsrisiken und der Prädiktion eines adversen perinatalen Outcomes (APO) beschreiben. In der Übersicht soll mit Fokus auf die häufigsten perinatalmedizinischen Problemfelder das Potenzial der KI-gestützten geburtshilflichen Überwachung beleuchtet werden. Mit ihrer Hilfe kann unter Umständen eine objektive Analyse realer Daten mit dem Ziel der Identifikation der wichtigsten Risikofaktoren und letztlich eine Reduktion der APO-Rate ermöglicht werden.

WHO (2019) Trends in maternal mortality: 2000 to 2017: Estimates by WHO, UNICEF, UNFPA, World Bank Group and the United Nations Population Division. World Health Organization, Geneva (WHO, UNICEF, UNFPA, World Bank Group and the United Nations Population Division)

Ahn KH, Lee KS (2022) Artificial intelligence in obstetrics. Obstet Gynecol Sci 65(2):113–124. https://doi.org/10.5468/ogs.21234CrossRefPubMed

Bertini A, Salas R, Chabert S, Sobrevia L, Pardo F (2022) Using machine learning to predict complications in pregnancy: A systematic review. Front Bioeng Biotechnol 19(9):780389. https://doi.org/10.3389/fbioe.2021.780389CrossRef

Feduniw S, Sys D, Kwiatkowski S, Kajdy A (2020) Application of artificial intelligence in screening for adverse perinatal outcomes: A protocol for systematic review. Medicine (Baltimore) 99(50):e23681. https://doi.org/10.1097/MD.0000000000023681CrossRef

Prevention and therapy of preterm labour. Guideline of the DGGG, OEGGG and SGGG (S2k-Level, AWMF Registry No.015/025, February 2019). http://www.awmf.org/leitlinien/detail/ll/015-025.html. Zugegriffen: 04.09.2022

Wu M, Fraser RF, Chen CW (2004) A novel algorithm for computer-assisted measurement of cervical length from transvaginal ultrasound images. IEEE Trans Inf Technol Biomed 8(3):333–342. https://doi.org/10.1109/titb.2004.832548CrossRefPubMed

Shi L, Yao W, Gan Y, Zhao LY, Eugene McKee W, Vink J, Wapner RJ, Hendon CP, Myers K (2019) Anisotropic material characterization of human cervix tissue based on indentation and inverse finite element analysis. J Biomech Eng 141(9):910171–9101713. https://doi.org/10.1115/1.4043977CrossRefPubMedCentral

Fergus P, Cheung P, Hussain A, Al-Jumeily D, Dobbins C, Iram S (2013) Prediction of preterm deliveries from EHG signals using machine learning. PLoS ONE 8(10):e77154. https://doi.org/10.1371/journal.pone.0077154CrossRefPubMedPubMedCentral

Alamedine D, Khalil M, Marque C (2013) Comparison of different EHG feature selection methods for the detection of preterm labor. Comput Math Methods Med 2013:485684. https://doi.org/10.1155/2013/485684CrossRefPubMedPubMedCentral

10.

Woolery LK, Grzymala-Busse J (1994) Machine learning for an expert system to predict preterm birth risk. J Am Med Inform Assoc 1(6):439–446. https://doi.org/10.1136/jamia.1994.95153433CrossRefPubMedPubMedCentral

11.

Lee KS, Ahn KH (2019) Artificial neural network analysis of spontaneous preterm labor and birth and its major determinants. J Korean Med Sci 34(16):e128. https://doi.org/10.3346/jkms.2019.34.e128CrossRefPubMedPubMedCentral

12.

Weber A, Darmstadt GL, Gruber S, Foeller ME, Carmichael SL, Stevenson DK, Shaw GM (2018) Application of machine-learning to predict early spontaneous preterm birth among nulliparous non-Hispanic black and white women. Ann Epidemiol 28(11):783–789.e1. https://doi.org/10.1016/j.annepidem.2018.08.008CrossRefPubMed

13.

Mailath-Pokorny M, Polterauer S, Kohl M, Kueronyai V, Worda K, Heinze G, Langer M (2015) Individualized assessment of preterm birth risk using two modified prediction models. Eur J Obstet Gynecol Reprod Biol 186:42–48. https://doi.org/10.1016/j.ejogrb.2014.12.010CrossRefPubMed

14.

Khatibi T, Kheyrikoochaksarayee N, Sepehri MM (2019) Analysis of big data for prediction of provider-initiated preterm birth and spontaneous premature deliveries and ranking the predictive features. Arch Gynecol Obstet 300(6):1565–1582. https://doi.org/10.1007/s00404-019-05325-3CrossRefPubMed

15.

Koivu A, Sairanen M (2020) Predicting risk of stillbirth and preterm pregnancies with machine learning. Health Inf Sci Syst 8(1):14. https://doi.org/10.1007/s13755-020-00105-9CrossRefPubMedPubMedCentral

16.

Gao C, Osmundson S, Velez Edwards DR, Jackson GP, Malin BA, Chen Y (2019) Deep learning predicts extreme preterm birth from electronic health records. J Biomed Inform 100:103334. https://doi.org/10.1016/j.jbi.2019.103334CrossRefPubMedPubMedCentral

17.

Bahado-Singh RO, Sonek J, McKenna D, Cool D, Aydas B, Turkoglu O, Bjorndahl T, Mandal R, Wishart D, Friedman P, Graham SF, Yilmaz A (2019) Artificial intelligence and amniotic fluid multiomics: prediction of perinatal outcome in asymptomatic women with short cervix. Ultrasound Obstet Gynecol 54(1):110–118. https://doi.org/10.1002/uog.20168CrossRefPubMed

18.

Sadi-Ahmed N, Kacha B, Taleb H, Kedir-Talha M (2017) Relevant features selection for automatic prediction of preterm deliveries from pregnancy electroHysterograhic (EHG) records. J Med Syst 41(12):204. https://doi.org/10.1007/s10916-017-0847-8CrossRefPubMed

19.

Chen L, Hao Y, Hu X (2019) Detection of preterm birth in electrohysterogram signals based on wavelet transform and stacked sparse autoencoder. PLoS ONE 14(4):e214712. https://doi.org/10.1371/journal.pone.0214712CrossRefPubMedPubMedCentral

20.

https://www.awmf.org/uploads/tx_szleitlinien/024-023l_S2k_Behandlung_der_neonatalen_Aphyxie_unter_besonderer_Ber%C3%BCcksichtigung_der_therapeutischen_Hypothermie_2013-06-abgelaufen.pdf. Zugegriffen: 04.09.2022

21.

Grivell RM, Alfirevic Z, Gyte GM, Devane D (2015) Antenatal cardiotocography for fetal assessment. Cochrane Database Syst Rev 2015(9):CD7863. https://doi.org/10.1002/14651858.CD007863.pub4CrossRefPubMedCentral

22.

Devane D, Lalor JG, Daly S, McGuire W, Smith V (2012) Cardiotocography versus intermittent auscultation of fetal heart on admission to labour ward for assessment of fetal wellbeing. Cochrane Database Syst Rev 2:CD5122. https://doi.org/10.1002/14651858.CD005122.pub4CrossRef

23.

Pinas A, Chandraharan E (2016) Continuous cardiotocography during labour: Analysis, classification and management. Best Pract Res Clin Obstet Gynaecol 30:33–47. https://doi.org/10.1016/j.bpobgyn.2015.03.022CrossRefPubMed

24.

Ayres-de-Campos D, Bernardes J, Costa-Pereira A, Pereira-Leite L (1999) Inconsistencies in classification by experts of cardiotocograms and subsequent clinical decision. Br J Obstet Gynaecol 106(12):1307–1310. https://doi.org/10.1111/j.1471-0528.1999.tb08187.xCrossRefPubMed

25.

Yılmaz E, Kılıkçıer C (2013) Determination of fetal state from cardiotocogram using LS-SVM with particle swarm optimization and binary decision tree. Comput Math Methods Med 2013:487179. https://doi.org/10.1155/2013/487179CrossRefPubMedPubMedCentral

26.

Sahin H, Subasi A (2015) Classification of the cardiotocogram data for anticipation of fetal risks using machine learning techniques. Appl Soft Comput J 33:231–238CrossRef

27.

Czabanski R, Jezewski M, Horoba K et al (2016) Fuzzy analysis of delivery outcome attributes for improving the automated fetal state assessment. Appl Artif Intell 30:556–571CrossRef

28.

Miao JH, Miao KH (2018) Cardiotocographic diagnosis of fetal health based on multiclass morphologic pattern predictions using deep learning classification. Int J Adv Comput Sci Appl 9:1–11

29.

Liu LC, Tsai YH, Chou YC, Jheng YC, Lin CK, Lyu NY, Chien Y, Yang YP, Chang KJ, Chang KH, Lee YL, Wang PH, Chu TW, Chang CC (2021) Concordance analysis of intrapartum cardiotocography between physicians and artificial intelligence-based technique using modified one-dimensional fully convolutional networks. J Chin Med Assoc 84(2):158–164. https://doi.org/10.1097/JCMA.0000000000000416CrossRefPubMed

30.

Zhao Z, Deng Y, Zhang Y, Zhang Y, Zhang X, Shao L (2019) DeepFHR: intelligent prediction of fetal Acidemia using fetal heart rate signals based on convolutional neural network. BMC Med Inform Decis Mak 19(1):286–230. https://doi.org/10.1186/s12911-019-1007-5CrossRefPubMedPubMedCentral

31.

Salomon LJ, Alfirevic Z, Da Silva Costa F, Deter RL, Figueras F, Ghi T, Glanc P, Khalil A, Lee W, Napolitano R, Papageorghiou A, Sotiriadis A, Stirnemann J, Toi A, Yeo G (2019) ISUOG practice guidelines: ultrasound assessment of fetal biometry and growth. Ultrasound Obstet Gynecol 53(6):715–723. https://doi.org/10.1002/uog.20272CrossRefPubMed

32.

Naimi AI, Platt RW, Larkin JC (2018) Machine learning for fetal growth prediction. Epidemiology 29(2):290–298. https://doi.org/10.1097/EDE.0000000000000788CrossRefPubMedPubMedCentral

33.

Fung R, Villar J, Dashti A, Ismail LC, Staines-Urias E, Ohuma EO, Salomon LJ, Victora CG, Barros FC, Lambert A, Carvalho M, Jaffer YA, Noble JA, Gravett MG, Purwar M, Pang R, Bertino E, Munim S, Min AM, McGready R, Norris SA, Bhutta ZA, Kennedy SH, Papageorghiou AT, Ourmazd A, International Fetal and Newborn Growth Consortium for the 21st Century (INTERGROWTH-21st) (2020) Achieving accurate estimates of fetal gestational age and personalised predictions of fetal growth based on data from an international prospective cohort study: a population-based machine learning study. Lancet Digit Health 2(7):e368–e375. https://doi.org/10.1016/S2589-7500(20)30131-XCrossRefPubMedPubMedCentral

34.

Butt K, Lim K (2014) Diagnostic imaging committee. Determination of gestational age by ultrasound. J Obstet Gynaecol Can 36(2):171–181. https://doi.org/10.1016/S1701-2163(15)30664-2CrossRefPubMed

35.

Signorini MG, Pini N, Malovini A, Bellazzi R, Magenes G (2020) Integrating machine learning techniques and physiology based heart rate features for antepartum fetal monitoring. Comput Methods Programs Biomed 185:105015. https://doi.org/10.1016/j.cmpb.2019.105015CrossRefPubMed

36.

Pini N, Lucchini M, Esposito G, Tagliaferri S, Campanile M, Magenes G, Signorini MG (2021) A machine learning approach to monitor the emergence of late intrauterine growth restriction. Front Artif Intell 8(4):622616. https://doi.org/10.3389/frai.2021.622616CrossRef

37.

Kuhle S, Maguire B, Zhang H, Hamilton D, Allen AC, Joseph KS, Allen VM (2018) Comparison of logistic regression with machine learning methods for the prediction of fetal growth abnormalities: A retrospective cohort study. BMC Pregnancy Childbirth 18(1):333. https://doi.org/10.1186/s12884-018-1971-2CrossRefPubMedPubMedCentral

38.

Shigemi D, Yamaguchi S, Aso S, Yasunaga H (2019) Predictive model for macrosomia using maternal parameters without sonography information. J Matern Fetal Neonatal Med 32(22):3859–3863. https://doi.org/10.1080/14767058.2018.1484090CrossRefPubMed

39.

Poon LC, Shennan A, Hyett JA, Kapur A, Hadar E, Divakar H, McAuliffe F, da Silva Costa F, von Dadelszen P, McIntyre HD, Kihara AB, Di Renzo GC, Romero R, D’Alton M, Berghella V, Nicolaides KH, Hod M (2019) The International Federation of Gynecology and Obstetrics (FIGO) initiative on pre-eclampsia: A pragmatic guide for first-trimester screening and prevention. Int J Gynaecol Obstet 145(Suppl 1):1–33. https://doi.org/10.1002/ijgo.12802CrossRefPubMedPubMedCentral

40.

Hypertensive Pregnancy Disorders: Diagnosis and Therapy. Guideline of the German Society of Gynecology and Obstetrics (S2k-Level, AWMF-Registry No. 015/018, March 2019). http://www.awmf.org/leitlinien/detail/II/015-018.html. Zugegriffen: 04.09.2022

41.

Jhee JH, Lee S, Park Y, Lee SE, Kim YA, Kang SW, Kwon JY, Park JT (2019) Prediction model development of late-onset preeclampsia using machine learning-based methods. PLoS ONE 14(8):e221202. https://doi.org/10.1371/journal.pone.0221202CrossRefPubMedPubMedCentral

42.

Hoffman MK, Ma N, Roberts A (2021) A machine learning algorithm for predicting maternal readmission for hypertensive disorders of pregnancy. Am J Obstet Gynecol 3(1):100250. https://doi.org/10.1016/j.ajogmf.2020.100250CrossRef

43.

Schmidt LJ, Rieger O, Neznansky M, Hackelöer M, Dröge LA, Henrich W, Higgins D, Verlohren S (2022) A machine-learning-based algorithm improves prediction of preeclampsia-associated adverse outcomes. Am J Obstet Gynecol. https://doi.org/10.1016/j.ajog.2022.01.026CrossRefPubMedPubMedCentral

44.

Peripartal haemorrhage, diagnosis and therapy. Guideline of the German Society of Gynaecology and Obstetrics (S2k-Level, AWMF Registry No. 015/063, March 2016). http://www.awmf.org/leitlinien/detail/ll/015-063.html. Zugegriffen: 04.09.2022

45.

Venkatesh KK, Strauss RA, Grotegut CA, Heine RP, Chescheir NC, Stringer JSA, Stamilio DM, Menard KM, Jelovsek JE (2020) Machine learning and statistical models to predict postpartum hemorrhage. Obstet Gynecol 135(4):935–944. https://doi.org/10.1097/AOG.0000000000003759CrossRefPubMedPubMedCentral

46.

Akazawa M, Hashimoto K, Katsuhiko N, Kaname Y (2021) Machine learning approach for the prediction of postpartum hemorrhage in vaginal birth. Sci Rep 11(1):22620. https://doi.org/10.1038/s41598-021-02198-yCrossRefPubMedPubMedCentral

47.

Liu J, Wang C, Yan R, Lu Y, Bai J, Wang H, Li R (2022) Machine learning-based prediction of postpartum hemorrhage after vaginal delivery: combining bleeding high risk factors and uterine contraction curve. Arch Gynecol Obstet. https://doi.org/10.1007/s00404-021-06377-0CrossRefPubMed

48.

Tsur A, Batsry L, Toussia-Cohen S, Rosenstein MG, Barak O, Brezinov Y, Yoeli-Ullman R, Sivan E, Sirota M, Druzin ML, Stevenson DK, Blumenfeld YJ, Aran D (2020) Development and validation of a machine-learning model for prediction of shoulder dystocia. Ultrasound Obstet Gynecol 56(4):588–596CrossRef

49.

Ramakrishnan R, Rao S, He JR (2021) Perinatal health predictors using artificial intelligence: A review. Womens Health (Lond) 17:17455065211046132. https://doi.org/10.1177/17455065211046132CrossRef

Titel: Vorteile der KI-gestützten geburtshilflichen Überwachung
verfasst von: O. Graupner
Prof. Dr. med. C. Enzensberger
Publikationsdatum: 09.09.2022
Verlag: Springer Medizin
Schlagwörter: Präeklampsie
Künstliche Intelligenz
Schulterdystokie
Erschienen in: Die Gynäkologie / Ausgabe 10/2022
Print ISSN: 2731-7102
Elektronische ISSN: 2731-7110
DOI: https://doi.org/10.1007/s00129-022-04994-7

Neu im Fachgebiet Gynäkologie und Geburtshilfe

23.04.2024 | Medikamente in Schwangerschaft und Stillzeit | Nachrichten

Update Gynäkologie

Bestellen Sie unseren Fach-Newsletter und bleiben Sie gut informiert – ganz bequem per eMail.

Newsletter bestellen

Springer Medizin

Vorteile der KI-gestützten geburtshilflichen Überwachung

Zusammenfassung

Hintergrund

Ziel der Arbeit

Neu im Fachgebiet Gynäkologie und Geburtshilfe

ICI-Therapie in der Schwangerschaft wird gut toleriert

Weniger postpartale Depressionen nach Esketamin-Einmalgabe

Bei RSV-Impfung vor 60. Lebensjahr über Off-Label-Gebrauch aufklären!

Harnwegsinfektprophylaxe: Es geht auch ohne Antibiotika

Update Gynäkologie

Springer Medizin

Zusammenfassung

Hintergrund

Ziel der Arbeit

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Weitere Artikel der Ausgabe 10/2022

Verbesserungsmöglichkeiten von nichtinvasiven Pränataltests und der Beitrag künstlicher Intelligenz

Der Mythos vom „Jungfernhäutchen“

Künstliche Intelligenz in der Gynäkologie und Geburtshilfe

Routineuntersuchungen der Pathologie für die Therapie mit modernen Medikamenten

Medizinrecht

Chronische Sakralnervenstimulation (SNS) bei Sexualfunktionsstörungen der Frau – ein systematischer Review

Neu im Fachgebiet Gynäkologie und Geburtshilfe

ICI-Therapie in der Schwangerschaft wird gut toleriert

Weniger postpartale Depressionen nach Esketamin-Einmalgabe

Bei RSV-Impfung vor 60. Lebensjahr über Off-Label-Gebrauch aufklären!

Harnwegsinfektprophylaxe: Es geht auch ohne Antibiotika

Update Gynäkologie