Diagnostic cardiotocographique de la santé fœtale basé sur des prévisions multiclasses de motifs morphologiques utilisant une classification par apprentissage profond

Les complications médicales de la grossesse et les décès liés à la grossesse continuent de représenter un défi mondial majeur aujourd'hui. À l'échelle internationale, environ 830 décès maternels surviennent chaque jour en raison de complications liées à la grossesse ou à l'accouchement. En fait, presque 99 % de tous les décès maternels surviennent dans les pays en développement. Dans cette recherche, une approche alternative et améliorée d'intelligence artificielle est proposée pour le diagnostic cardiotocographique de l'évaluation fœtale basé sur des prévisions de motifs morphologiques multiclasses, incluant 10 classes cibles avec des échantillons déséquilibrés, utilisant des modèles de classification par apprentissage profond. Le modèle développé est utilisé pour distinguer et classer la présence ou l'absence de motifs morphologiques multiclasses pour les prédictions des complications durant la grossesse. Les résultats des tests ont montré que le modèle de réseau de neurones profond développé a atteint une précision de 88,02 %, un rappel de 84,30 %, une précision de 85,01 %, et un F-score de 0,8508 en moyenne. Ainsi, le modèle développé peut fournir des diagnostics très précis et cohérents pour l'évaluation fœtale concernant les complications durant la grossesse, prévenant et/ou réduisant ainsi le taux de mortalité fœtale ainsi que le taux de mortalité maternelle pendant et après la grossesse et l'accouchement, en particulier dans les milieux à faibles ressources et les pays en développement.