نقش هوش مصنوعی در تولد نوزادن نارس

این مطالعه مروری بر وضعیت فعلی و چشم اندازهای آینده دانش در مورد استفاده از هوش مصنوعی برای پیش بینی زایمان زودرس خودبه خودی و تولد نوزاد نارس ارائه می دهد. اهداف تحقیق: تعیین نقش هوش مصنوعی در چشم انداز و وضعیت فعلی استفاده از هوش مصنوعی برای پیش بینی زایمان زودرس خودبه خودی می باشد. خلاصه این مرور نشان می دهد که رویکردهای مختلف یادگیری ماشین بسته به نوع داده ها برای پیش بینی زایمان زودرس بهینه هستند. شبکه عصبی مصنوعی، رگرسیون لجستیک و/یا جنگل تصادفی برای داده های عددی؛ ماشین بردار پشتیبان (SVM) برای داده های الکتروهیستروگرام (نوار انقباضات رحمی)؛ شبکه عصبی بازگشتی (RNN) برای داده های متنی؛ شبکه عصبی کانولوشنی (CNN) برای داده های تصویری. محدوده معیارهای عملکرد به این شرح بود: دقت (Accuracy) ۰.۷۹ تا ۰.۹۴، حساسیت (Sensitivity) ۰.۲۲ تا ۰.۹۷، ویژگی (Specificity) ۰.۸۶ تا ۱.۰، مساحت زیر منحنی (ROC AUC) ۰.۵۴ تا ۰.۸۳. فاکتورهای مادری موثر شامل: شاخص سن، توده بدنی قبل از بارداری و حین زایمان، تعداد زایمان های قبلی (پاریتی)، فشار خون سیستولیک و دیاستولیک بارداری، سطح تحصیلات، بارداری دوقلویی، سابقه جنسیت نوزاد، سابقه مصرف پروژسترون، علائم ریفلاکس دستگاه گوارش فوقانی (GERD)، عفونت هلیکوباکتر، سابقه مصرف مسدودکننده های کانال کلسیم، سابقه بیوپسی مخروطی دهانه رحم، فیبروم های رحمی، طول دهانه رحم، آدنومیوز، وضعیت بیمه، وضعیت تاهل، بیماری های سیستمیک مانند لوپوس اریتماتوز سیستمیک (SLE) و افزایش مایع مغزی-نخاعی ناشی از کاهش چین خوردگی قشر. رشد مغز در زایمان زودرس خودبه خودی و تولد نوزاد نارس موثر می باشند.

کلیدواژه ها:

هوش مصنوعی ، زایمان زودرس ، یادگیری ماشین ، شبکه عصبی مصنوعی ، پیش بینی زایمان ، نوزاد نارس