論文の概要: Artificial Intelligence-derived Cardiotocography Age as a Digital Biomarker for Predicting Future Adverse Pregnancy Outcomes
- arxiv url: http://arxiv.org/abs/2509.14242v1
- Date: Wed, 03 Sep 2025 11:32:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-21 06:05:45.817721
- Title: Artificial Intelligence-derived Cardiotocography Age as a Digital Biomarker for Predicting Future Adverse Pregnancy Outcomes
- Title（参考訳）: デジタルバイオマーカーとしての人工知能由来心電図時代
- Authors: Jinshuai Gu, Zenghui Lin, Jingying Ma, Jingyu Wang, Linyan Zhang, Rui Bai, Zelin Tu, Youyou Jiang, Donglin Xie, Yuxi Zhou, Guoli Liu, Shenda Hong,
- Abstract要約: 我々は,心電図時系列(CTGage)から生物年齢を予測するAIモデルの開発を目指している。
我々はCTGageと実際の年齢(CTGage-gap)の年齢差を計算し、このギャップを将来の不妊治療における新しいデジタルバイオマーカーとして利用する。
このCTGageモデルは、2018年から2022年にかけて北京大学人民病院で収集された11,385人の妊婦の61,140件の記録を用いて開発された。
- 参考スコア（独自算出の注目度）: 19.99758021065472
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cardiotocography (CTG) is a low-cost, non-invasive fetal health assessment technique used globally, especially in underdeveloped countries. However, it is currently mainly used to identify the fetus's current status (e.g., fetal acidosis or hypoxia), and the potential of CTG in predicting future adverse pregnancy outcomes has not been fully explored. We aim to develop an AI-based model that predicts biological age from CTG time series (named CTGage), then calculate the age gap between CTGage and actual age (named CTGage-gap), and use this gap as a new digital biomarker for future adverse pregnancy outcomes. The CTGage model is developed using 61,140 records from 11,385 pregnant women, collected at Peking University People's Hospital between 2018 and 2022. For model training, a structurally designed 1D convolutional neural network is used, incorporating distribution-aligned augmented regression technology. The CTGage-gap is categorized into five groups: < -21 days (underestimation group), -21 to -7 days, -7 to 7 days (normal group), 7 to 21 days, and > 21 days (overestimation group). We further defined the underestimation group and overestimation group together as the high-risk group. We then compare the incidence of adverse outcomes and maternal diseases across these groups. The average absolute error of the CTGage model is 10.91 days. When comparing the overestimation group with the normal group, premature infants incidence is 5.33% vs. 1.42% (p < 0.05) and gestational diabetes mellitus (GDM) incidence is 31.93% vs. 20.86% (p < 0.05). When comparing the underestimation group with the normal group, low birth weight incidence is 0.17% vs. 0.15% (p < 0.05) and anaemia incidence is 37.51% vs. 34.74% (p < 0.05). Artificial intelligence-derived CTGage can predict the future risk of adverse pregnancy outcomes and hold potential as a novel, non-invasive, and easily accessible digital biomarker.
- Abstract（参考訳）: 心電図 (CTG) は低コストで非侵襲的な胎児の健康評価技術であり、特に未開発国で使用される。
しかし、現在では胎児の現在の状態(例えば、胎児アシドーシス、低酸素症)を同定するために主に用いられており、将来の不妊の予後を予測するためのCTGの可能性は十分に検討されていない。
我々は、CTG時系列(CTGage)から生物学的年齢を予測するAIベースのモデルを開発し、CTGageと実際の年齢(CTGage-gap)の年齢差を計算し、このギャップを将来の不適切な妊娠結果のための新しいデジタルバイオマーカーとして利用することを目指している。
このCTGageモデルは、2018年から2022年にかけて北京大学人民病院で収集された11,385人の妊婦の61,140件の記録を用いて開発された。
モデルトレーニングには、構造的に設計された1次元畳み込みニューラルネットワークが使用され、分散整合型回帰技術が組み込まれている。
CTGage-gapは,<-21日(過小評価群),-21～7日(正常群),-7～7日(正常群),7～21日(過小評価群),21日(過小評価群)の5群に分類される。
さらに,過小評価群と過大評価群を高リスク群として定義した。
次に、これらのグループにおける有害な結果と母性疾患の発生率を比較した。
CTGageモデルの平均絶対誤差は10.91日である。
正常群と比較すると、早産児の発症率は5.33%対1.42%(p < 0.05)、妊娠糖尿病(GDM)は31.93%対20.86%(p < 0.05)である。
正常群と比較した場合、低出生体重率は0.17%対0.15%(p < 0.05)、貧血率は37.51%対34.74%(p < 0.05)である。
人工知能から派生したCTGageは、不妊の将来のリスクを予測し、新規で非侵襲的でアクセスしやすいデジタルバイオマーカーとしての可能性を秘めている。
関連論文リスト
- Predicting VBAC Outcomes from U.S. Natality Data using Deep and Classical Machine Learning Models [0.0]
本研究は,CDC WONDER Natalityデータセットから得られたセサレアン(VBAC)後の迷走神経発生を予測するための教師付き機械学習モデルを提案する。
ロジスティック回帰、XGBoost、多層パーセプトロン(MLP)の3つの分類器を訓練した。
AUCは0.7287で最高性能を記録し、XGBoost (Boost = 0.727) はロジスティック回帰ベースラインを上回った。
論文 参考訳（メタデータ） (2025-07-28T20:54:55Z) - M-TabNet: A Multi-Encoder Transformer Model for Predicting Neonatal Birth Weight from Multimodal Data [3.452389713639621]
出生体重(BW)は新生児の健康にとって重要な指標であり、低出生体重(LBW)は死亡率と死亡率の増加と関連している。
既存のモデルでは栄養学や遺伝学の影響を無視することが多く、主に生理学やライフスタイルに重点を置いている。
本研究は,12週間の妊娠後早期のBW予測のためのマルチエンコーダアーキテクチャを用いたアテンションベーストランスフォーマーモデルを提案する。
論文 参考訳（メタデータ） (2025-04-20T00:03:47Z) - Evaluating the Feasibility and Accuracy of Large Language Models for Medical History-Taking in Obstetrics and Gynecology [4.48731404829722]
効果的な医師と患者のコミュニケーションは重要であるが、多くの時間を消費するので、クリニックは非効率になる。
近年のLarge Language Models (LLMs) の進歩は、医療履歴の自動作成と診断精度の向上のための潜在的なソリューションを提供する。
ChatGPT-4oとChatGPT-4o-miniとの医師と患者との相互作用をシミュレートするAI駆動型会話システムを開発した。
両モデルとも不妊の履歴取り出しを自動化できる可能性を示し、ChatGPT-4o-miniは完全性と抽出精度に優れていた。
論文 参考訳（メタデータ） (2025-03-31T14:09:53Z) - Time-to-Event Pretraining for 3D Medical Imaging [44.46415168541444]
本稿では,3次元医用画像モデルのための事前トレーニングフレームワークである,時間とイベントの事前トレーニングを紹介する。
我々は18,945個のCTスキャン(420万枚の2D画像)のデータセットと、何千ものEHR由来のタスクにまたがる時間-時間分布を用いています。
提案手法は,AUROCの平均値が23.7%,HarrellのC-インデックスが29.4%向上し,結果予測が向上する。
論文 参考訳（メタデータ） (2024-11-14T11:08:54Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - Enabling faster and more reliable sonographic assessment of gestational
age through machine learning [1.3238745915345225]
胎児超音波は出生前治療の不可欠な部分であり、妊娠年齢(GA)を推定するために用いられる。
我々は,標準平面画像を用いた画像モデル,フライトビデオを用いたビデオモデル,アンサンブルモデル(画像とビデオの組み合わせ)の3つのAIモデルを開発した。
これら3種は, 専門ソノグラフィーによる標準胎児バイオメトリに基づくGA推定よりも統計的に優れていた。
論文 参考訳（メタデータ） (2022-03-22T17:15:56Z) - Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。
686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
論文 参考訳（メタデータ） (2021-06-06T07:11:25Z) - Bayesian Nonparametric Dimensionality Reduction of Categorical Data for
Predicting Severity of COVID-19 in Pregnant Women [10.049066785762045]
ストーニーブルック大学病院で検査陽性の妊婦155名の臨床データを収集した。
我々は、教師なしベイズフレームワーク内のデータをモデル化し、潜在ガウス過程を用いてそれらを低次元空間にマッピングした。
論文 参考訳（メタデータ） (2020-11-07T07:11:29Z) - Temporal Positive-unlabeled Learning for Biomedical Hypothesis
Generation via Risk Estimation [46.852387038668695]
本稿では,仮説生成の科学的プロセスに機械学習を導入することを目的とする。
本稿では,ノード対埋め込みの学習において,前向きの確率を推定するための変分推論モデルを提案する。
実世界のバイオメディカルな用語関係データセットの実験結果と、COVID-19データセットのケーススタディ分析により、提案モデルの有効性が検証された。
論文 参考訳（メタデータ） (2020-10-05T10:58:03Z) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。