【中国实用妇科与产科杂志微信专栏】之 800 人工智能——助力产科服务提升

文摘   2024-10-30 10:53   重庆  

今日围产联合《中国实用妇科与产科杂志》微信平台

共同发布

本文刊登于《中国实用妇科与产科杂志》

2024年10月 第40卷 第10期

作者姓名:陈艳红,陈敦金
基金项目:国家重点研发计划(2022YFC2704500)
作者单位:广州医科大学附属第三医院妇产科


摘要及关键词


摘要:近年来,随着数字化、信息化程度的不断提高,以及机器学习、数据挖掘等技术的兴起,使得人工智能迅速进入各行业。已有研究者将人工智能引入医学领域,逐渐成为整合和分析医疗保健大数据的工具,以辅助医务工作者提升医疗服务质量与效率。目前,在产科领域,人工智能展现出巨大的潜力和价值,如在母胎监测、疾病预测预警和预后评估,以及诊疗决策等方面起着重要的辅助作用,助力产科服务,保障母儿健康。
关键词:人工智能;母胎监测;疾病预测预警;预后评估;诊疗决策;产科服务

产科医疗服务在保障孕产妇及新生儿健康的过程中发挥着重要作用,而当前产科医疗实践中仍有诸多挑战,存在监护不当、漏诊、误诊及治疗延迟等问题,这些问题可能导致不良妊娠结局[1]。近年来,全球在降低孕产妇死亡率方面处于瓶颈期[2],为此,我们必须寻求创新的解决方案来改善现有的产科医疗服务体系。

人工智能(artificial intelligence)是专门探索人类的感觉和思维过程规律以及研究用计算机来模拟人的智能活动的一门学科,以其强大的数据处理能力和模式识别能力,为医疗领域带来了革命性的变化。在产科服务中,人工智能技术的应用也展现出了巨大的潜力。从母胎监测的实时数据分析,到产科疾病的早期预测和诊断;从预测评估产科疾病的预后,到诊疗决策的智能化辅助,人工智能技术正以其高效、精准、个性化的特点,不断提升产科服务水平。本文主要阐述人工智能在产科服务中的应用现状及未来的发展前景。

1
人工智能概述

人工智能是一门研究并开发用于模拟和扩展人类智能的理论、方法、技术及应用系统的学科[3],核心目标是使计算机能够完成通常需要人类智能才能完成的任务,如视觉识别、语言理解、问题解决和决策等[4]。1950年,“人工智能之父”Alan Mathison Turing提出“图灵测试”,回答计算机是否能有人的智能的问题,开启了人工智能研究时代[5]。

人工智能涉及机器学习、计算机视觉、图像识别、自然语言学习等不同领域和应用[4],机器学习是推动人工智能发展的关键因素,通过输入的数据进行自动学习建立模型,使机器具备一定的学习、分析、分类和识别等能力[3]。人工智能目前在医疗领域应用广泛,例如健康信息系统、流行病监测、医疗数据的编码、医学成像、预测模型和决策支持系统等[6]。在产科领域,人工智能技术的应用快速增长,如在母胎监测、疾病预测和预后,以及诊疗决策等方面,辅助产科医护提升医疗服务质量与效率,改善妊娠结局[7]。

2
人工智能助力产科服务
2.1  助力母胎监测  人工智能技术可以分析复杂的胎心率模式,检测传统监测方法可能不容易发现的细微异常[7],提高胎心监护判读的准确性[8-9]。目前人工智能在提高产时胎心监护[10]和产前胎心监护[11-14]的判读性能中已有诸多研究进展,通过正确判读胎心监护,能够及时发现胎儿窘迫,辅助产科医师做出正确的临床决策,降低孕产妇及围产儿不良妊娠结局的发生率[15]。

传统母胎监测需要孕妇到医院内进行,难以实现孕妇院外自我监测。目前应用人工智能助力产科医护实现远程母胎监护已有较多进展[16-17],有多位学者利用可穿戴的人工智能传感器持续跟踪孕产妇及胎儿健康指标[18],如血压、血糖、体重、产妇心率、胎动次数、胎心率等,通过机器学习(K近邻算法、支持向量机、K均值和随机森林算法)和深度学习等人工智能技术进行数据分析处理,智能评估母胎健康状态,并将危及健康情况的数据迅速反馈给医护人员,以便医护快速作出判断和处理,为母胎安全提供有效保障[19]。Li等[20]通过物联网、互联网技术及人工智能技术,研发出新型的智慧母胎医疗服务平台,将收集到的孕产妇及胎儿健康数据传输到监测中心进行分析和解读,构建孕产妇数字化健康档案,当健康数据超过正常范围时,系统会自动报警提示孕妇就医。此外,医生可以随时在移动智能终端APP上查看孕产妇上传的母胎监测数据,为孕产妇提供个性化指导。可穿戴设备和人工智能技术辅助产科医护实现有效的远程母胎监测,尤其是对于偏远的农村人群,可降低其就医成本[21],提高围产保健质量。

2.2  助力产科疾病的预测预警
2.2.1  早产  导致早产的病因错综复杂,目前尚无精准预测早产的方法。因此,构建高灵敏度和特异度的早产预测预警系统,是当前产科领域的研究热点和难点之一[22]。目前有研究者使用新型多通道熵算法、深度学习(一种长短期记忆和时间卷积网络模型)和机器学习算法来分析子宫肌电信号图以预测早产,其准确率达90%[23-25]。也有学者应用机器学习分析孕产妇健康数据[26]、代谢组学[27]、炎症标志物、阴道微生物[28]来预测早产。Ohtaka等[29]应用深度学习(最佳卷积神经网络)对先兆早产入院孕妇的阴道超声子宫颈图形进行分析,以预测早产,其准确率高于临床医师的预测。Gao等[30]用深度学习算法提前8周预测小于28周的超早产。可见,未来在临床实践中可通过物联网、互联网及人工智能技术将早产预测预警模型嵌入手机APP,连接孕妇与医护端,实现全孕周全天候的早产预测,从而及时实施有效的干预措施,减少早产的发生率,使早产儿能得到及时有效的救治,大大降低围产儿死亡率。
2.2.2  巨大儿  目前临床上常用超声测量胎儿的各径线,通过计算各径线值得出胎儿体重,或通过测量宫高腹围,估计胎儿体重,以鉴别胎儿是否为巨大儿,此类方法准确性有限,而机器学习等人工智能技术对此具有强大的预测能力。Shamshuzzoha等[31]用3种机器学习算法(逻辑回归、支持向量机和随机森林)显著提高了巨大儿预测模型的准确性。Ye等[32]使用集合方法结合多个模型提高了产前超声成像测量值对巨大儿的预测精度。一项妊娠期高血糖单胎活产的回顾性队列研究,应用机器学习开发并内部验证了巨大儿的风险预测模型,该模型预测准确率较高,其敏感度87%~100%、特异度84%~92%、阴性预测值84%~92%[33]。Liu等[34]使用深度学习(递归神经网络)准确预测胎儿出生体重,并将之进一步分类为巨大儿和大于胎龄儿。
2.2.3  产后出血  产后出血(postpartum hemorrhage,PPH) 是孕产妇死亡的主要原因[35]。临床上通过结合PPH危险因素和风险分层方案来评估其发生率的方法存在局限性,而机器学习模型擅长自动化解析复杂的非加性关系和分析各因素间的相互作用,在准确识别PPH风险较高的女性方面具有一定的潜力。周彤彤等[36]利用孕产妇的电子病历数据,构建基于长短期记忆神经网络和极端梯度提升树的混合模型来预测孕妇PPH,有效提高了准确率。Wang等[37]应用机器学习方法有效预测剖宫产期间的PPH量,为临床医生提供了早期预警,从而降低了并发症的发生率,并提高了剖宫产的安全性。Bihan等[38]推导并验证了可以对阴道分娩后有产后出血风险的女性进行识别的预测模型。Xu等[39]设计了人工神经网络模型来预测前置胎盘的产妇PPH,该模型的预测性能优于其他6种传统机器学习方法。Aghajanian等[40]使用产前临床数据和实验室测量数据构建了一个准确的机器学习模型来预测非复杂性单胎妊娠分娩后24 h内血红蛋白的水平,随后将人工神经网络部署在基于网络的计算器中,此外,研究者们进一步创建了一个 AI 交互式平台,用户输入参数后,该平台可以计算预测出血红蛋白值以及从测试子集中计算得出的平均 95% 预测区间,随后进行单尾测试以检查预测的血红蛋白值是否与 80g/L 切点相当,相当则标记为很可能需要产后输注红细胞。
2.2.4  妊娠期糖尿病  妊娠期糖尿病(gestational diabetes mellitus,GDM)通常在妊娠24~28周时诊断,此时胎儿表型已发生改变,但基于机器学习的模型可以更早地预测这种病理改变。近年来,不同地区和研究团队采用多样化的机器学习算法和预测变量,均在GDM的早期预测中取得了一定的成效[41-45]。不同地区生活习惯等因素会影响预测模型的准确性,因此需要对模型在不同队列中进行外部验证,一些机器学习模型在外部验证中取得较好的结果[46-47]。2022年,有学者集成10种不同的机器学习模型,将最优模型Stacking2结合PyQt5技术开发了一个GDM智能预测系统,孕产妇可以通过系统进行数据采集和预测,系统会显示预测结果并提供相应建议,辅助医生精确预测该孕妇患GDM的风险,为提前干预治疗提供可能[48]。未来,不仅需要开发和验证一系列适用于不同人群和临床环境的GDM预测模型,还需要将这些预测预警模型整合到可穿戴设备和传感器等现代技术中,并实现与互联网和物联网的无缝集成,实现其在临床实践中的有效应用。
2.2.5  子痫前期  子痫前期具有多种表型,目前我们尚不能精准预测和预防子痫前期,因此开发预测子痫前期的方法非常必要[49]。应用机器学习模型分析孕早期常规产检信息,预测子痫前期风险的性能很高[50],有研究通过应用多种机器学习算法对子痫前期进行预测,取得了不错的效果[51-54]。Khalil等[55]利用深度学习(人工神经网络模型)分析孕妇首次产前检查时的数据和胎儿游离DNA比例(fetal fraction,FF)来预测子痫前期,无需进行生物标志物和超声检查。有研究者开发出了基于孕妇视网膜眼底图像的深度学习模型,为早期预测子痫前期提供了一定的价值[56]。针对孕妇需频繁测量血压的问题,有学者在研究中利用了光电容积脉搏波(photoplethysmography,PPG)传感器装置,精心设计并构建了一个三阶段的深度学习模型,不仅实现了对孕妇连续、无袖带的血压监测,而且能够有效预测潜在的子痫前期风险[57]。
2.3  预测产科疾病的预后  有GDM史的产妇,产后早期准确预测未来发展为2型糖尿病的风险,及时进行血糖管理,对预防糖尿病的发生至关重要。一项研究应用机器学习算法,纳入7项脂质代谢物特征,构建GDM产妇其产后发展为2型糖尿病的风险预测模型,准确率为91%,敏感度为87%,特异度为93%[58]。Man等[59]对既往有GDM史的女性,应用多变量 Cox比例风险回归法,构建未来发展为糖尿病的风险预测模型,为其发展为糖尿病前的血糖管理提供依据。Houri等[60]使用机器学习算法(极端梯度提升法),分析孕产妇的血糖筛查结果和孕产妇年龄、孕次、产次、分娩胎龄和胎儿出生体重等临床特征,构建预测未来发展为2 型糖尿病的模型,准确率为 91%,特异度和敏感度均为 74%。通过早期识别产后易发展为2型糖尿病的高危人群,有利于及时进行血糖管理、延迟糖尿病发生和减少糖尿病的并发症。

有妊娠期高血压病史的妇女患心血管疾病的风险较高[61],对子痫前期和妊娠期高血压病史的女性,需要及早识别和干预产后危险因素。Wang等[62]综合5 种不同的机器学习算法构建了子痫前期产妇产后发生心血管疾病的风险预测模型,可筛选出有产后心血管疾病高危因素的妇女,对其实行个性化管理。Hoffman等[63]开发和验证了机器学习预测模型,可有效预测产妇产后因妊娠高血压疾病并发症而再入院的风险,开发队列和验证队列的曲线下面积(AUC)分别为0.85和0.81。

2.4  助力产科诊疗决策  随着医疗信息技术的发展,临床决策支持系统(clinical decision support system,CDSS)已成为现代医疗体系中不可或缺的一部分。CDSS是在知识库和人工智能技术的基础上,为医生在疾病的诊断、治疗、风险预测、合理用药等方面提供决策支持的计算机系统[64]。基于人工智能的临床决策支持系统是指使用知识图谱、自然语言处理、计算机视觉和各种模型,并融合大数据挖掘技术与多种人工智能技术,进行精准实时临床决策的人机交互系统[65]。Du等[66]开发了一种基于可解释机器学习(支持向量机)的临床决策支持系统,可以在不同应用场景如理论研究、临床常规产前检查和远程环境中预测GDM。西班牙学者使用人工智能算法(支持向量机、多层感知器和随机森林)开发了一种预测分娩方式(阴道分娩和剖宫产)的临床决策支持系统,准确率超过90%[67]。在医疗资源有限的地区,使用电子临床决策支持系统,可有效提高工作效率、及时发现胎儿异常,以便早发现、早治疗妊娠期并发症,减少不良妊娠结局的发生[68]。
3
 人工智能助力产科服务的发展前景

现代信息技术与大数据的迅猛发展,给医学领域带来了新的认知渠道、思想观念和工作方式,人工智能在健康监测、病历书写、疾病的预测预防和诊疗决策等方面发挥着重要作用。目前人工智能在产科领域的应用处于初级阶段,临床实践中应用较多的是远程母胎监测,而产科病历书写、疾病预测预警及辅助诊疗决策等方面应用较少,希望很快将人工智能普遍应用于产科临床实践工作中,助力产科服务,提高医疗质量和工作效率。


参考文献 略

今日围产
“今日围产(UpToDate Perinatal Medicine )”是由漆洪波教授担任主编,致力于为围产工作者提供最新的围产医学、母胎医学的学术资讯,包括最新全球指南解读、原创佳文分享、会议信息发布和文献速递等。
 最新文章