WO2024023398A1 - Système et procédé de détermination d'un risque d'hypoxie foetale - Google Patents

Système et procédé de détermination d'un risque d'hypoxie foetale Download PDF

Info

Publication number
WO2024023398A1
WO2024023398A1 PCT/FR2023/000129 FR2023000129W WO2024023398A1 WO 2024023398 A1 WO2024023398 A1 WO 2024023398A1 FR 2023000129 W FR2023000129 W FR 2023000129W WO 2024023398 A1 WO2024023398 A1 WO 2024023398A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
fetal
cardiotocographic
cto
risk
Prior art date
Application number
PCT/FR2023/000129
Other languages
English (en)
Inventor
Imane BEN M'BAREK
Grégoire JAUVION
Pierre-François CECCALDI
Original Assignee
Universite Paris Cite
Genos Care
Assistance Publique Hopitaux De Paris
Univ Paris Xiii Paris-Nord Villetaneuse
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Universite Paris Cite, Genos Care, Assistance Publique Hopitaux De Paris, Univ Paris Xiii Paris-Nord Villetaneuse filed Critical Universite Paris Cite
Publication of WO2024023398A1 publication Critical patent/WO2024023398A1/fr

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/344—Foetal cardiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • A61B5/4343—Pregnancy and labour monitoring, e.g. for labour onset detection
    • A61B5/4356—Assessing uterine contractions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • A61B5/4343—Pregnancy and labour monitoring, e.g. for labour onset detection
    • A61B5/4362—Assessing foetal parameters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/02—Foetus
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • A61B5/4343—Pregnancy and labour monitoring, e.g. for labour onset detection
    • A61B5/435—Assessing cervix alteration or dilation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Definitions

  • the technical context of the present invention is that of systems and methods for monitoring the proper progress of a pregnancy or childbirth of a pregnant woman, in order to control whether the fetus is following a normal or irregular course. More particularly, the invention relates to a system and a method for evaluating a situation that could lead to fetal hypoxia.
  • the disadvantage of the method described in CN 1 14 159 039 A lies in the fact that said method integrates an artificial intelligence model for supervised learning. It is therefore limited by the number of annotated data, which is not in significant quantity for the prediction of fetal hypoxia.
  • the artificial intelligence model presented is based in particular on a “classic” machine learning method called Light Gradient Boosting Machine. As the annotated input data is limited, the use of this method leads to a low quality of interpretation, and to analysis errors, leading to a poorly developed model and ultimately lacking in precision, making it not usable by medical personnel.
  • invention [1 1 ]
  • the object of the present invention is to propose a new system for evaluating a situation that could lead to fetal hypoxia in order to respond to the previous problems and also lead to other advantages.
  • Another aim of the invention is to better assess a risk of fetal hypoxia, with great precision, by taking into account all the data available to practitioners to carry out such an assessment.
  • Another aim of the invention is to propose a set of metrics making it possible to support the conduct of obstetrician examinations, which allows medical personnel to know what is due to variations in fetal heart rate and the signal. of uterine contraction, calculated fetal hypoxia.
  • Another aim of the invention is to take into account the clinical context in the assessment of the risk of fetal hypoxia.
  • Another aim of the invention is to allow practitioners to understand the origin of the risk of fetal hypoxia assessed by making contributions of several parameters to this risk.
  • Another aim of the invention is to reduce neonatal morbidity.
  • At least one of the aforementioned objectives is achieved with a system for evaluating a situation of a given pregnant woman that may lead to fetal hypoxia, the system comprising:
  • a heart rate sensor configured to measure a fetal heart rate of at least one fetus carried by the given pregnant woman, the measured fetal heart rate and the intensity of the uterine contractions forming the cardiotocographic data;
  • the unannotated data can come from recordings during labor, regardless of the number of hours before delivery, and/or pregnancy monitoring recordings;
  • the artificial intelligence model can be trained with a maternal and/or fetal clinical training database
  • the calculation and display unit being configured to allow, subsequently the learning of the artificial intelligence model:
  • [28] the calculation of a risk of fetal hypoxia at several times and from the cardiotocographic data processed and measured at several times, and advantageously from the clinical data of the given pregnant woman, from the trained artificial intelligence model , thanks to advantageously previously entering or recording the maternal and/or fetal clinical data of the given pregnant woman, to take these clinical data into account by the calculation unit.
  • [32] use for the training of practitioners in a context of childbirth simulation, in order to enable them to sharpen their observations and refine their interpretation of cardiotocographic data to assess the risk of fetal hypoxia, by authorizing a comparison with a reference quantity given, for the same situation, by the system conforming to the first aspect of the invention.
  • the system conforming to the first aspect comprises one or two measurement and analysis channels, making it possible respectively to determine a risk of fetal hypoxia for a single fetus or for two fetuses.
  • the system according to the first aspect of the invention comprises two channels, a first channel is used to measure the cardiotocographic data relating to the first fetus, and a second channel is used to measure the cardiotocographic data relating to the second fetus.
  • the clinical data relating to the pregnant woman are common and identical to the two evaluations carried out by the system conforming to the first aspect of the invention.
  • the system conforming to the first aspect of the invention thus makes it possible, via the first cardiotocographic data and advantageously the clinical data, to determine a first risk of fetal hypoxia for the first fetus, and it can also determine a second risk of fetal hypoxia relating to the second fetus via the second cardiotocographic data and advantageously the clinical data.
  • the storage unit comprises one or more memories, such as present in a computer, a calculator or a server for example, and the calculation and display unit comprises one or several processors or one or more microcontrollers, and a display device such as for example a screen.
  • the display device, the calculation unit and the storage unit are all connected to each other, by wired means or not. wired, in order to allow transfer and display of data relating to measurements taken by the sensors, cardiotocographic data, and clinical data.
  • the display device, the calculation unit and the storage unit can be centralized within the same assembly, such as for example a computer or a monitor, or they can be relocated - such as for example on a remote server - and linked together by means of communication.
  • the display device comprises for example a communication interface configured to allow a user to enter or record clinical data.
  • the communication interface can take the form of a touch screen, a keyboard or any other means.
  • the communication interface is of course connected to the calculation unit and the storage unit.
  • the artificial intelligence model is a mathematical model which makes it possible to calculate, based on input data comprising the cardiotocographic data and in a possible embodiment of the invention the data clinical, discharge data representative of the risk of fetal hypoxia.
  • the artificial intelligence model was previously trained so as to make it converge in the direction of a risk of fetal hypoxia consistent, that is to say analogous, to the risk of fetal hypoxia as determined based on metrics used by practitioners to qualify the risk of fetal hypoxia, such as preferably a pH measurement.
  • the object of the invention is to allow a better interpretation than that carried out by practitioners, with earlier, more reliable and more precise detection of the risk of fetal hypoxia.
  • the mathematical model was trained using annotated cardiotocographic training data for which the state of the fetus having been delivered by the pregnant woman is qualified by a metric.
  • the annotated cardiotocographic training data obtained during labor and during delivery of the pregnant woman, were qualified by the state of the fetus once born, in order to allow the mathematical model to determine the situations of cardiotocographic data leading to a healthy delivery of the fetus, and those which can sometimes lead to a fetus suffering from after-effects resulting from fetal hypoxia during pregnancy or childbirth, or even fetal morbidity and mortality.
  • the qualification of the annotated cardiotocographic training data can take the form of the formation of a pair of values comprising, on the one hand, the cardiotocographic data and, on the other hand, a value rendering account of fetal hypoxia of the fetus delivered, such as for example a pH measurement. Additionally, this data qualification via fetal outcome is also supplemented by maternal and/or fetal clinical data, in order to form annotated data sets.
  • the maternal clinical data are physiognomic and/or contextual parameters relating to the pregnant woman carrying the fetus whose monitoring is implemented
  • the fetal clinical data are physiognomic and/or contextual parameters or contextual information relating to the fetus.
  • [41] - in a possible embodiment of the invention capture and record the clinical data of the pregnant woman
  • [42] - calculate the risk of fetal hypoxia from the processed cardiotocographic data and in a possible embodiment of the invention from clinical data from the trained artificial intelligence model, that is to say having been trained via annotated cardiotocographic training data, as described previously.
  • the risk of fetal hypoxia assessed by the system includes in particular a quantification of a level of risk associated with the identification of parameters representative of fetal hypoxia.
  • the system of the invention advantageously comprises at least one of the improvements below, the technical characteristics forming these improvements being able to be taken alone or in combination:
  • the maternal and/or fetal clinical training data of the given woman are chosen from the following list: relative maternal data to pregnant women, including in particular an age; and/or fetal data relating to the fetus, including in particular: a gestational age, an estimate of a fetal weight, such as for example the determination of a quantile of the fetal weight in relation to a distribution of fetal weight generally observed, for this given term of pregnancy, in a given reference population.
  • maternal data relating to the pregnant woman may include age, body mass index, parity, singleton or twin pregnancy identifier; and/or the fetal data relating to the fetus may include gestational age, sex, estimated fetal weight; and/or childbirth data such as for example a suspicion of intrauterine infection, obtained for example by measuring the temperature of the pregnant woman, the presence of gestational diabetes or the presence of a vascular pathology, such as that for example pregnancy-induced hypertension, pre-eclampsia, a measure of dilation of the cervix;
  • the calculation and display unit carries out pre-processing of the cardiotocographic data.
  • the preprocessing includes in particular a completion of missing cardiotocographic data, and/or a deletion of aberrant cardiotocographic data.
  • the completion of the cardiotocographic data comprises, for example, a linear interpolation between cardiotocographic data directly preceding the missing cardiotocographic data and cardiotocographic data directly succeeding the missing cardiotocographic data.
  • the deletion of aberrant cardiotocographic data comprises an analysis of a discrepancy between the aberrant cardiotocographic data and the cardiotocographic data directly adjacent to the aberrant cardiotocographic data, the aberrant cardiotocographic data being deleted if the discrepancy is greater than a value threshold ;
  • the artificial intelligence model is trained using the pre-processed training cardiotocographic data. Additionally, the artificial intelligence model can also be trained using indicators calculated from preprocessed cardiotocographic data and characterizing the evolution of fetal heart rates. These indicators are determined to reproduce the analysis made by practitioners of the fetal situation, in compliance with the recommendations of learned societies. These indicators are calculated from cardiotocographic data measured on pregnant women, in order to qualify certain visual and graphic characteristics of fetal heart rhythms and/or uterine contractions, in accordance with the know-how and examination habits recommended by learned societies;
  • the indicators are preferably chosen from the following list: (i) a baseline, calculated as a sliding average of the fetal heart rate, excluding periods of acceleration and deceleration, and/or (ii) a duration and a number of acceleration-type critical cardiac events, each acceleration-type critical cardiac event being determined by a fetal heart rate above a nominal heart rate range defined around the baseline, and/or (iii) a duration and number of deceleration-type critical cardiac events, each deceleration-type critical cardiac event being determined by a fetal heart rate below the nominal heart rate range defined around the baseline, and/or (iv) fetal heart rate variability.
  • a baseline calculated as a sliding average of the fetal heart rate, excluding periods of acceleration and deceleration
  • a duration and a number of acceleration-type critical cardiac events each acceleration-type critical cardiac event being determined by a fetal heart rate above a nominal heart rate range defined around the baseline
  • deceleration-type critical cardiac event being determined by a feta
  • fetal heart rate variability is determined for several different time scales.
  • the variability of the fetal heart rate is defined by a standard deviation of said heart rate or by the derivative of the fetal heart rate.
  • short-term heart rate variability that is to say over a period of a few seconds, for example between 5 seconds and 60 seconds
  • heart rate variability at long term that is to say of the order of a few minutes, for example between 5 minutes and 25 minutes;
  • the indicators can also include a relative position of the baseline in relation to an expected reference of said baseline.
  • the indicators may include the identification of a position of the baseline that is too low relative to the expected reference of said baseline, and/or a position of the baseline that is too high relative to the expected reference of said baseline, and/or a number of critical cardiac events of the type of a deceleration of the fetal heart rate having a duration of less than 2 minutes, and/or a number of critical cardiac events of the type of a deceleration of the fetal heart rate having a duration greater than 2 minutes, and/or a number of critical cardiac events such as an acceleration of the fetal heart rate;
  • the neural network is a model making it possible to predict a variable of interest - here the risk of fetal hypoxia - from explanatory variables - here the cardiotocography data and, the where applicable, clinical data.
  • the neural network is optimized on a retrospective database. More particularly, the neural network implemented by the system is of the convolutional or transform type based on the attention mechanism, because it is particularly suited to the processing of temporal signals, including cardiotocographic data;
  • the artificial intelligence model comprises a generative model which makes it possible to generate fictitious data similar to those available on the databases on which the neural network was trained, making it possible here to generate signals representative of the annotated cardiotocographic data.
  • the artificial intelligence model is a neural network having been trained in semi-supervised learning from (i) a first unannotated database bringing together only first pre-processed cardiotocographic training data obtained for pregnant women, without fetal outcome data associated with these cardiotocographic training data and, then (ii) a second annotated database called "with fetal outcome” bringing together second cardiotocographic training data preprocessed and obtained for women pregnant, and fetal outcome data making it possible to evaluate fetal hypoxia at birth associated with these cardiotocographic training data, and in a possible embodiment (iii) maternal and/or fetal clinical data for training.
  • the artificial intelligence model is trained with cardiotocographic data for which we do not know the fetal outcome - the data from the first database data - and annotated data resulting from childbirth situations for which it was possible to determine the fetal outcome - resulting from the second database
  • the data from the first database could be obtained during obstetric visits preceding the childbirth, or even during the first phases of labor distant from the birth itself, for example before 1 hour before birth, which makes it possible to train the artificial neural network with a very large quantity of cardiotocography data (the neural network is in some way pre-trained by these thousands of unannotated data for all possible evolutions of the cardiotocography data) so that this neural network is then better able in a second step to be trained more quickly and more efficiently with data from the second annotated database;
  • the neural network is first trained with the first unannotated database to obtain processing blocks of preprocessed cardiotocographic data (using convolutional or transformer-based architecture), from only the data of cardiotocography. Secondly, the neural network is trained with data from the second annotated database called “with fetal outcome”, by initializing the processing blocks of the preprocessed cardiotocographic data as learned in the first step.
  • the blocks are intermediate calculation states implemented by the artificial intelligence model and, more particularly, by the neural network. In other words, these are neurons located between an input and an output of the neural network;
  • the calculation and display unit advantageously includes the neural network; [56] - in particular, the neural network is configured to (i) apply a transformation, for example convolutional, of the processed cardiotocographic data, forming experimental data, for example convolved, (ii) apply a concatenation to these experimental data with the clinical data of the pregnant woman, together forming concatenated data, and (iii) applying a prediction of the risk of fetal hypoxia from the concatenated data;
  • a transformation for example convolutional
  • the calculation and display unit is configured to, at a given display frequency, (i) calculate and display a series of indicators characterizing the fetal heart rate of the fetus of the given pregnant woman, interpretable by practitioners, these indicators being displayed simultaneously with the risk of fetal hypoxia calculated by artificial intelligence of the given pregnant woman and/or (ii) calculating, by application of a mathematical regression model, a statistical fetal risk, and (iii) ) calculate a contribution of these indicators to the risk of statistical fetal hypoxia and simultaneously display the risk of fetal hypoxia calculated by artificial intelligence and a contribution of these indicators.
  • the indicators characterizing the fetal heart rate are of the type of those mentioned previously and as defined by learned societies.
  • the indicators calculated here are of the type that can be interpreted by practitioners.
  • the operations carried out by the calculation and display unit are carried out according to at least one predetermined sampling frequency and/or display frequency.
  • the sampling frequency - used to determine or measure the fetal heart rate and the intensity of uterine contractions - may include a first sampling frequency used to determine or measure the fetal heart rate and a second sampling frequency used to determine or measure the intensity of uterine contractions.
  • the calculation and display unit implements a single sampling frequency, generally of the order of a few hertz, for example equal to 4 Hz.
  • the calculation and display unit finally calculates one or more indicators of the risk of fetal hypoxia as well as their contributions to said risk according to the display frequency.
  • the display frequency is of the order of a few Hertz, for example equal to 1 Hz;
  • the calculation and display unit is configured to display, at the display frequency, the contribution of these indicators to the risk of fetal hypoxia of the given pregnant woman, calculated by the intelligence model artificial trained.
  • the calculation and display unit is configured to display, at the display frequency, the risk of fetal hypoxia of the given pregnant woman, calculated by the trained artificial intelligence model;
  • the mathematical regression model is of the type making it possible to determine a weighting coefficient for each parameter involved in the calculation of the indicators and/or the risk of fetal hypoxia.
  • the mathematical regression model is, for example, of the type of a logistic regression model;
  • the artificial intelligence model is trained from at least one of the following data representative of the fetal outcome: (i) a measurement of a pH at the level of an umbilical cord of the fetus, a value a pH value lower than 7.15 qualifying moderate or severe fetal hypoxia, and a pH value lower than 7.05 qualifying severe fetal hypoxia; and/or (ii) gas measurements on the umbilical cord, for example to demonstrate a baseline concentration greater than 12 mmol/L or a lactate concentration greater than 6 mmol/L; and/or (iii) an Apgar score; and/or (iv) possible hospitalization of the fetus in intensive care for suspected fetal hypoxia;
  • the artificial intelligence model is trained from cardiotocography recordings of pregnant women comprising (i) a first unannotated database, including recordings located before the delivery of pregnant women, (ii) a second annotated database called "with fetal outcome", comprising recordings located at most 40 minutes, advantageously at most 30 minutes, from the birth of the fetus carried by these pregnant women and annotated with the outcome data fetal, and (iii) maternal and/or fetal clinical data from these women for whom the fetal outcome of their delivery is known.
  • the first database no annotated data includes data augmented by time shifting;
  • the system comprises means of communication between, on the one hand, the uterine contraction sensor and the heart rate sensor and, on the other hand, the calculation and display unit, so as to that the system can be used on an outpatient basis or at home, the calculation and/or display of the risk of fetal hypoxia being intended to be monitored remotely by a practitioner.
  • a method for evaluating a risk of fetal hypoxia of a fetus of a given pregnant woman, using a system conforming to the first aspect of the invention or according to any of its improvements, the process comprising the following steps:
  • [66] - a step of calculating the risk of fetal hypoxia in pregnant women given by application of a trained artificial intelligence model.
  • the process according to the second aspect of the invention advantageously comprises at least one of the improvements below, the technical characteristics forming these improvements being able to be taken alone or in combination:
  • the preprocessing step includes (i) a step of completing missing cardiotocographic data; and/or (ii) a step of removing aberrant cardiotocographic data;
  • the maternal or fetal clinical data are chosen from the following list: (i) maternal data relating to pregnant women, including in particular age, body mass index, parity, singleton or twin pregnancy identifier, and/or (ii) fetal data relating to the fetuses, including in particular a gestational age, an estimate of fetal weight, a sex, and/or delivery data including in particular a suspicion of intrauterine infection, qualified for example by measuring the temperature of the pregnant woman, the presence of a vascular pathology such as for example pregnancy-induced hypertension, pre-eclampsia, the presence of gestational diabetes, a measurement of dilation of the cervix;
  • the method comprises a step of calculation and display: (i) indicators interpretable by practitioners characterizing the fetal heart rate of the fetus of the given pregnant woman, a statistical fetal risk by application of a model of mathematical regression, and simultaneously a contribution of these indicators to the risk of fetal hypoxia of the given pregnant woman calculated by the trained artificial intelligence model.
  • FIG.1 illustrates a schematic view of the system conforming to the first aspect of the invention
  • FIG.2 illustrates a synoptic view of the operation of the system according to the invention
  • FIG.3 illustrates a comparison of the performances of the system according to the invention with the diagnostics carried out by practitioners
  • FIG.4 illustrates a comparison of the performances of the system according to the invention according to different embodiments
  • FIG.5 illustrates a comparison of the performances of the system according to the invention, using a variable number of unannotated data with a constant number of annotated data; cardiotocography data corresponds for illustrative purposes only and without limitation, to a sequence of the signal, for example lasting 30 minutes, for a pregnant woman, this data cardiotocographic being labeled by the fetal outcome (second database) or not (first database);
  • FIG.6 illustrates the differences in results obtained with the different semi-supervised learning methods, with the same number of cardiotocography data
  • FIG.7 illustrates a first visual representing the data displayed by the system according to the invention and the determination of a first risk of fetal hypoxia
  • FIG.8 illustrates a second visual representing the data displayed by the system according to the invention and the determination of a second risk of fetal hypoxia
  • FIG.9 illustrates a third visual representing the data displayed by the system according to the invention and the determination of a third risk of fetal hypoxia.
  • the assessment of fetal well-being during pregnancy is based on the analysis of CTO cardiotocographic data, including a measurement of a fetal heart rate and a measurement of the intensity of uterine contractions.
  • the system 1 as represented schematically in FIGURE 1 makes it possible to implement a method 2 - visible in FIGURE 2 - to evaluate a risk of fetal hypoxia RSK of a pregnant woman FE by automatically analyzing CTO cardiotocographic data and DCL clinical data of pregnant FE.
  • System 1 thus makes it possible to provide practitioners with an assessment of the risk of fetal hypoxia RSK - measured between 0% and 100% - and to highlight the CTR contributions of several IND indicators recognized by learned societies to the extent of this risk, each weighting being between 0% and 100% and their sum making 100%.
  • the risk of fetal hypoxia RSK is evaluated by an AI artificial intelligence model implemented by a neural network 23 of the calculation and display unit 13
  • the system 1 implements a second mathematical model, typically of the type of a logistic regression model 24, in order to evaluate the contribution to the risk of fetal hypoxia RSK of the different IND indicators calculated during a calculation step 22 and derived from the recommendations of learned societies and calculated automatically on the basis of CTO cardiotocographic data and possibly DCL clinical data.
  • these models are learned on a retrospective database comprising, for a large number of deliveries, so-called annotated fetal data, stored in a first database, and making it possible to evaluate the situations of fetal hypoxia in relation to CTO cardiotocographic data obtained just before delivery.
  • This learning data was obtained during preliminary measurements and analyzes carried out by practitioners beforehand. They allow subsequent use of system 1 and the AI artificial intelligence model on new situations for which the AI artificial intelligence model is now capable of correctly predicting the situations, the IND indicators and the risk of RSK fetal hypoxia.
  • the system via its calculation and display unit 13 updates in real time and according to a given display frequency the risk of fetal hypoxia RSK determined and the CTR contributions identified during the step of calculation 22 for the different IND indicators, in order to reflect the latest cardiotocography data available and to allow practitioners to have a decision support tool.
  • System 1 and method 2 according to the invention simply process technical signals resulting from sensors 11, 12 or instruments and/or calculated from them.
  • system 1 conforming to the first aspect of the invention comprises:
  • a uterine contraction sensor 1 1 configured to measure an intensity of uterine contractions in the given FE pregnant woman
  • a heart rate sensor 12 configured to measure a fetal heart rate of at least one FO fetus carried by the given FE pregnant woman, the measured fetal heart rate and the intensity of the uterine contractions forming the CTO cardiotocographic data;
  • the calculation and display unit 13 is configured to implement the AI artificial intelligence model, the calculation and display unit 13 including in particular a neural network 23.
  • the AI artificial intelligence model is trained from a first unannotated database and a second annotated database called “with fetal outcome” comprising data CTO training cardiotocographic data preprocessed and obtained for pregnant women in childbirth, and fetal outcome data making it possible to evaluate a situation of fetal hypoxia at birth, and associated with the CTO training cardiotocographic data;
  • calculation and display unit 13 of system 1 according to the invention is configured to allow:
  • the preprocessing includes in particular a completion of the missing CTO cardiotocographic data, for example by linear interpolation between cardiotocographic data directly preceding the missing cardiotocographic data and cardiotocographic data directly succeeding the missing cardiotocographic data.
  • cardiotocographic data is missing if there is a “gap” between two or more adjacent CTO cardiotocographic data.
  • a CTO cardiotocographic data gap of duration less than a threshold value typically equal to 5 minutes for example, is filled and completed, preferably by linear interpolation.
  • a gap in CTO cardiotocographic data extending over a period greater than the threshold value is not completed.
  • the preprocessing includes a deletion of the aberrant CTO cardiotocographic data, for example via an analysis of a difference between the aberrant cardiotocographic data and the CTO cardiotocographic data directly adjacent to the data.
  • aberrant cardiotocographic data the aberrant cardiotocographic data being deleted if the deviation is greater than a threshold value.
  • a cardiotocographic value x(t) representative of a state at a given instant is considered as aberrant if the absolute value of the quantities x(t) - x(t-1) and x(t) - x(t+1) are , sets, greater than a threshold, chosen for example as being equal to 30 bpm for the fetal heart rate and to 20 mm Hg for uterine contractions, where x(t-1) and x(t+1) are respectively the data previous and successive CTO cardiotocographic values at the given cardiotocographic value x(t). Detected outliers are then replaced by linear interpolation.
  • the DCL clinical data of the FE pregnant woman makes it possible to define the clinical context of the delivery and/or of the FE pregnant woman.
  • the DCL clinical data taken into account by the system 1 according to the invention include in particular the following data:
  • [106] - maternal data such as for example age, body mass index, parity, singleton or twin nature of the pregnancy
  • fetal data such as for example gestational age, sex, estimate of fetal weight
  • - childbirth data such as for example a suspicion of intrauterine infection, a presence of a vascular pathology such as for example pregnancy-induced hypertension, pre-eclampsia, a presence of gestational diabetes, a measurement of dilation of the cervix.
  • [1 1 1] the calculation of IND indicators interpretable by practitioners using a logistic regression model 24 based on the recommendations of learned societies, the IND indicators being calculated on the basis of CTO cardiotocographic data and/or clinical data DCL obtained;
  • [1 12] the calculation of the risk of fetal hypoxia RSK and the calculation 22 of the CTR contributions to said risk of fetal hypoxia of each indicator IND previously calculated.
  • the contributions of the IND indicators interpretable by practitioners are calculated by the logistic regression model 24 which implements the recommendations of learned societies, on the basis of a real-time analysis of CTO cardiotocographic data , and in particular the fetal heart rate.
  • the calculated IND indicators are as follows:
  • each critical cardiac event of the acceleration type being determined by a fetal heart rate greater than a nominal heart rate range defined around the line of base.
  • the IND indicators may include the identification of a position of the baseline that is too high relative to an expected reference of said baseline, such as for example a number of critical cardiac events of the type increased fetal heart rate;
  • the IND indicators may include the identification of a position of the baseline that is too low relative to the expected reference of said baseline, such as for example a number of critical cardiac events of the type deceleration of the fetal heart rate having a duration of less than 2 minutes, and/or a number of critical cardiac events of the type of deceleration of the fetal heart rate having a duration of more than 2 minutes; and or
  • the risk of fetal hypoxia RSK is calculated by the AI artificial intelligence model and implemented by the neural network 23.
  • the neural network 23 takes as input variables :
  • the mathematical logistic regression model 24 makes it possible to determine the contribution of each IND indicator calculated in the prediction made of the risk of fetal hypoxia RSK.
  • the AI artificial intelligence model is implemented by a neural network 23 of the calculation and display unit 13.
  • the neural network 23 is more particularly of the type of a convolutional network or a transformer based on the attention mechanism or a recurrent network.
  • the neural network 23 is configured to determine a quantity representative of a risk of fetal hypoxia RSK.
  • This representative quantity is a positive real number between 0, synonymous with total absence of risk of fetal hypoxia RSK, and 1, associated with a certain prediction of fetal hypoxia.
  • the neural network 23 is configured to determine a prediction of the risk of fetal hypoxia RSK from the following data: [128] - the CTO cardiotocographic data which are integrated into the neural network 23 during a first step.
  • these CTO cardiotocographic data are determined by the associated sensors 11, 12 and according to a sampling frequency of the order of a few hertz.
  • the measurements provided by the fetal heart rate sensor 12 and by the uterine contraction sensor 11 are carried out over a given period which depends on the context of implementation of the system 1 according to the invention.
  • the measurement duration can be of the order of several hours, preferably from the start of labor of the pregnant woman FE, and even more preferably of the order of several tens of minutes - typically between 20 min and 30 min before the end of delivery, that is to say the birth of the FO fetus;
  • the AI artificial intelligence model applies processing blocks, for example convolutional, to the CTO cardiotocographic data in order to transform said CTO cardiotocographic data received during the first step in the form of a matrix of dimension (N, 2), where N is a natural integer, into a vector for example convolved of dimension M, where M is a natural integer less than N with advantageously N/M greater than or equal to 10.
  • the AI artificial intelligence model summarizes the clinical context of the FE pregnant woman and/or the FO fetus and/or the pregnancy in a vector representative of the DCL clinical data.
  • the AI artificial intelligence model then concatenates the vector of dimension M calculated during the third step with the vector representative of the DCL clinical data determined during the fourth step.
  • the AI artificial intelligence model operates the concatenated vector determined during the fifth step in dense layers of the neural network 23, in order to ultimately determine a prediction of the risk of fetal hypoxia RSK.
  • the expected performance for the system 1 in accordance with the first aspect of the invention depends on the ability of the AI artificial intelligence model to predict a risk of fetal hypoxia RSK which converges at least with the diagnoses made by practitioners, and preferably which converges with the meaning of the metrics used to qualify the risk of fetal hypoxia, such as preferably a pH measurement.
  • This performance obviously depends on the artificial intelligence model developed and its learning which will now be described.
  • the learning of the neural network 23 corresponds to the optimization of its internal parameters using a retrospective database containing, for a large number of deliveries - that is to say greater than several thousand, or even tens of thousands - the following information:
  • [138] information qualifying the fetal outcome in order to be able to assess at least one presence or absence of fetal hypoxia.
  • the learning method of the neural network 23 envisaged is based on semi-supervised learning making it possible to take advantage of more numerous and more diverse unannotated CTO cardiotocographic data.
  • the learning method according to the invention makes it possible to have more data available for learning the neural network 23 and thus leads to very high precision of said network of neurons 23 thus trained, compared to a supervised learning method.
  • Blocks are learned using one of the following three methods, in order to ultimately construct blocks capable of interpreting CTO cardiotocographic data and summarizing them into a vector of size M.
  • Training an autoencoder which takes the form of a model whose objective is to reproduce the data that was provided as input.
  • knowledge of the fetal outcome associated with the CTO cardiotocographic data is not necessary, allowing the model to be trained on a larger CTO cardiotocographic data set.
  • the initial learning of the CTO cardiotocographic data processing blocks of the neural network 23 using one of the 3 methods described comprises the following steps:
  • [151] - a step of integration into the neural network 23 of CTO cardiotocographic data from a learning database, possibly partly masked for method 3;
  • [152] - a step of applying blocks, for example convolutional, to the CTO cardiotocographic data in order to transform them into the form of a matrix of dimension (N, 2), where N is a natural integer and 2 corresponds to the two different types of cardiotocography data (uterine contractions, fetal heart rate), in a vector for example convolved of dimension M, where M is a natural number much smaller than N (M “N);
  • the second learning step is implemented in order to use the neural network 23 with new CTO cardiotocographic data from vectors (N, 2) and by configuring said neural network 23 so that the structural parameters of the processing blocks of the preprocessed cardiotocographic data are initialized to the values determined during said initial learning step.
  • the use of the AI artificial intelligence model implemented by the trained neural network 23 makes it possible to predict the risk of fetal hypoxia RSK precisely.
  • the invention also addresses the determination of IND indicators - calculated from the recommendations of learned societies - and making it possible to highlight certain aspects of a risk of fetal hypoxia RSK, interpretable by practitioners.
  • the objective here is to calculate these metrics in order to make them available to practitioners for subsequent medical interpretation and decision-making.
  • the system 1 in accordance with the first aspect of the invention implements a second model, in parallel with the AI artificial intelligence model as described previously, the second model serving to calculate in real time the IND indicators at from CTO cardiotocographic data.
  • the objective of this second model is, on the one hand, to determine the IND indicators well known and widely used by practitioners and, on the other hand, to calculate a risk of fetal hypoxia RSK, on the basis of these IND indicators, while determining the share of each IND indicator in the risk of fetal hypoxia RSK thus calculated.
  • the model implemented in the context of the present invention is more particularly a logistic regression model 24, in which the risk of fetal hypoxia RSK P is defined as
  • [161] - the estimated risk of fetal hypoxia RSK P is a real number between 0 and 1, preferably expressed as a percentage; [162] - x1, xn correspond to the IND indicators used as input to the model and resulting from the recommendations of learned societies;
  • This IND indicator is only calculated and displayed for variables for which the product? £ x £ is greater than 0. These variables are thus associated with a positive contribution to the risk of fetal hypoxia RSK. Additionally, the sum of all the contributions of the indicators is equal to 1.
  • the risks estimated by the two models are generally close enough that the contributions calculated from the second model can be used with confidence with the risk calculated by the artificial intelligence model.
  • FIGURE 3 illustrates an evaluation of the performance of the measurement of the risk of fetal hypoxia RSK predicted by the system 1 according to the invention and in comparison with the diagnoses carried out - in comparable circumstances, that is to say on cardiotocographic datasets Close or similar CTOs - by practitioners for the assessment of the same risk of fetal hypoxia RSK.
  • each point of the curve corresponds to a quantification of the risk of fetal hypoxia RSK determined by system 1 according to the invention.
  • the evaluation of system 1 according to the invention is carried out via a reference database comprising, for 552 clinical cases, CTO cardiotocographic data, the fetal outcome allowing to evaluate a situation of fetal hypoxia, defined by the condition (pH ⁇ 7.15) and the diagnosis finally given by obstetricians who indicated, for each case, if, in their opinion, a situation of fetal hypoxia would present itself during of childbirth.
  • the evaluation of the annotations given by each obstetrician is represented by a cross.
  • system 1 conforming to the first aspect of the invention produces performances perceived as having a reliability and accuracy of the predicted risk of fetal hypoxia RSK greater than the diagnoses of the practitioners themselves.
  • FIGURE 4 shows the performance of different models on a database containing 18961 cases.
  • Model 1 is a logistic regression using the IND indicators, and can be compared to the second model on which the calculation of the contributions of the indicators is based.
  • Model 2 is a neural network similar to that of system 1, learned only using the annotated data.
  • Model 3 is a neural network learned on the annotated and unannotated data as described previously. More precisely, the model is learned using approximately 580000 unannotated data (for 18961 annotated cases).
  • Model 4 also includes clinical data. The performance is evaluated using several metrics: AUC (Area Under the ROC Curve), sensitivity at fixed specificity (90% or 95%), and specificity at fixed sensitivity (90% or 95% ).
  • FIGURE 4 illustrates the significant improvement in the performance of the model by adding the unannotated data (model 3) according to the invention and by adding the clinical data (model 4) according to the invention.
  • FIGURE 5 illustrates the improvement in model performance, as a function of the number of unannotated data used in learning the cardiotocographic data processing blocks, with the same number of annotated data constant each time. This figure illustrates the contribution of unannotated data.
  • FIGURE 6 compares the 3 methods described for semi-supervised learning, using all of the annotated data and 500,000 unannotated data, illustrating the effectiveness of the 3 methods and the superiority of the approach consisting of predicting the IND indicators from preprocessed cardiotocographic data.
  • FIGURES 7, 8 and 9 illustrate several real-time measurements and evaluations of the risk of fetal hypoxia RSK, as carried out by the system 1 according to the invention as described previously:
  • FIGURE 7 illustrates a first situation in which the risk of fetal hypoxia RSK calculated by the AI artificial intelligence model is rather low, equal to 25% in which no IND indicator has a positive contribution to the risk fetal hypoxia;
  • FIGURE 8 illustrates a second situation in which the risk of fetal hypoxia RSK calculated by the AI artificial intelligence model is moderate, equal to 46%.
  • the number of fetal heart rate decelerations identified on CTO cardiotocographic data explains 72% of the estimated risk, while the remaining 28% is explained by an abnormally high baseline;
  • FIGURE 9 illustrates a third situation in which the risk of fetal hypoxia RSK calculated by the AI artificial intelligence model is high, equal to 87%.
  • the risk is explained by a baseline that is abnormally high at times (56%), abnormally low at other times (33%), and in one lesser extent by a high number of accelerations (9%) and prolonged deceleration (2%).
  • the invention relates to a system 1 making it possible to propose a method of automated analysis of CTO cardiotocographic data and DCL clinical data in order to measure a risk of fetal hypoxia RSK, comprised between 0% for an absence of risk and 100% for proven fetal hypoxia.
  • the system 1 allows, via the AI artificial intelligence model implemented by the neural network 23 and via the mathematical regression model, to determine the CTR contributions of different IND indicators interpretable by practitioners at this risk .
  • the models for evaluating the risk of fetal hypoxia RSK, determined via a neural network 23, and the CTR contributions of the different IND indicators in the risk of fetal hypoxia RSK, determined by logistic regression 24, are trained on a basis of retrospective data.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Cardiology (AREA)
  • Pregnancy & Childbirth (AREA)
  • Gynecology & Obstetrics (AREA)
  • Reproductive Health (AREA)
  • Pediatric Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

L'invention concerne un système (1) permettant de proposer une méthode d'analyse automatisée des données cardiotocographiques (CTO) afin de mesurer un risque d'hypoxie foetale (RSK), compris entre 0% pour une absence de risque et 100% pour une hypoxie foetale avérée. Le système (1 ) selon l'invention permet, via le modèle d'intelligence artificielle (IA) mis en oeuvre par le réseau de neurones (23) et via le modèle de régression mathématique, de déterminer les contributions (CTR) de différents indicateurs (IND) à ce risque, interprétables par des praticiens. Les modèles d'évaluation du risque d'hypoxie foetale (RSK), déterminé via un réseau de neurones (23), et des contributions (CTR) des différents indicateurs (IND) dans le risque d'hypoxie foetale (RSK), déterminés par régression logistique (24), sont entraînés sur une base de données rétrospectives.

Description

Description
Titre de l'invention : système et procédé de détermination d’un risque d’hypoxie fœtale
[1] Contexte technique
[2] Le contexte technique de la présente invention est celui des systèmes et procédés de surveillance du bon déroulement d’une grossesse ou d’un accouchement d’une femme enceinte, afin de contrôler si le fœtus suit une évolution normale ou irrégulière. Plus particulièrement, l’invention a trait à un système et un procédé d’évaluation d’une situation pouvant entrainer une hypoxie fœtale.
[3] L’évaluation du bien-être fœtal durant la grossesse est basée en grande partie sur l’analyse de données cardiotocographiques, c’est-à-dire un rythme cardiaque fœtal et une intensité des contractions utérines. De manière connue, cette analyse est faite de manière visuelle et empirique par les praticiens - maïeuticiens et obstétriciens - en suivant des recommandations des sociétés savantes. Cette évaluation est d’une très grande importance clinique, car elle permet de détecter d’éventuelles anomalies fœtales, et en particulier l’anomalie de type hypoxie fœtale, et d’adapter, le cas échéant, le mode d’accouchement en choisissant de maintenir un accouchement par voie basse ou de déclencher un accouchement d’urgence par césarienne si le risque d’hypoxie fœtal est avéré et afin d’éviter tout dommage permanent au fœtus.
[4] Dans l’état de la technique connu, l’évaluation du risque d’hypoxie fœtal est basée en très grande partie sur une analyse visuelle des données de cardiotocographie, menée par les praticiens et en suivant des recommandations des sociétés savantes. Ces méthodes sont connues pour être subjectives et pour présenter finalement une très grande variabilité, entre plusieurs praticiens différents bien sûr, mais aussi entre plusieurs cas étudiés par un même praticien. En d’autres termes, cette méthode ne permet pas de mesurer de manière suffisamment répétable et reproductible le risque d’hypoxie fœtale.
[5] De manière surprenante, malgré sa très grande importance clinique, cette méthodologie n’a fait l’objet d’aucune innovation majeure dans les dernières années, et les outils de formation à l’analyse des données de cardiotocographie sont inexistants. [6] On connaît cependant des logiciels aidant à l’analyse automatisée de la cardiotocographie, certains de ces logiciels étant intégrés dans des centrales de mesure cardiotocographiques. En particulier, de tels logiciels permettent de mettre en place des alertes temps-réel à partir des recommandations des sociétés savantes. Cependant, de tels logiciels ne mesurent pas de manière claire un risque d’hypoxie fœtale, les rendant peu utilisés. D’une manière générale, ces logiciels sont relativement basiques et ne tirent pas partie des avancées récentes dans le domaine de l’apprentissage automatique.
[7] On connait par ailleurs le document DOI : 10.1109/ACCESS.2019.2933368 qui exploite les particularités de l’intelligence artificielle à l’analyse des données de cardiotocographie. Néanmoins, ces travaux nécessitent l’utilisation d’une très grande quantité de données de cardiotocographie avec issue fœtale connue et ne permettent pas de déterminer les raisons et /ou de justifier une potentielle situation d’hypoxie fœtale que prédirait l’intelligence artificielle.
[8] On connait aussi le document CN 114 159 039 A qui décrit une méthode de surveillance du rythme cardiaque fœtal prénatal qui comprend une étape de prétraitement d'un signal de rythme cardiaque fœtal, d'un signal de contraction utérine, de l'âge d'une femme enceinte et d’une information relative à la semaine de gestation, et une étape de conception d’un réseau neuronal convolutif afin d’extraire des valeurs de référence sur les signaux prétraités.
[9] L’inconvénient de la méthode décrite dans CN 1 14 159 039 A réside dans le fait que ladite méthode intègre un modèle d’intelligence artificielle pour un apprentissage supervisé. Elle est donc limitée par le nombre de données annotées, qui ne sont pas en quantité importante pour la prédiction de l’hypoxie fœtale. Le modèle d’intelligence artificielle présenté repose notamment sur une méthode de machine learning "classique" dit Light Gradient Boosting Machine. Comme les données annotées d’entrées sont limitées, l’utilisation de cette méthode conduit à une faible qualité d’interprétation, et à des erreurs d’analyse, conduisant à un modèle peu élaboré et manquant in fine de précision, ne le rendant pas utilisable par le personnel médical .
[10] Invention [1 1 ] La présente invention a pour objet de proposer un nouveau système d’évaluation d’une situation pouvant entrainer une hypoxie fœtale afin de répondre aux problèmes précédents et de conduire en outre à d’autres avantages.
[12] Un autre but de l’invention est de mieux évaluer un risque d’hypoxie fœtale, avec une grande précision, en prenant en compte l’ensemble des données disponibles aux praticiens pour mener une telle évaluation.
[13] Un autre but de l’invention est de proposer un ensemble de métriques permettant d’accompagner la conduite d’examens obstétriciens, ce qui permet au personnel médical de savoir à quoi est due dans les variations de rythme cardiaque fœtal et du signal de contraction utérine, l’hypoxie fœtale calculée.
[14] .
[15] Un autre but de l’invention est prendre en compte le contexte clinique dans l’évaluation du risque d’hypoxie fœtale.
[16] Un autre but de l’invention est de permettre aux praticiens de comprendre l’origine du risque d’hypoxie fœtale évalué en apportant des contributions de plusieurs paramètres à ce risque.
[17] D’une manière générale, un autre but de l’invention est de réduire la morbidité néonatale.
[18] Selon un premier aspect de l’invention, on atteint au moins l’un des objectifs précités avec un système d’évaluation d’une situation d’une femme enceinte donnée pouvant entrainer une hypoxie fœtale, le système comportant :
[19] - un capteur de contractions utérines configuré pour mesurer une intensité des contractions utérines chez la femme enceinte donnée ;
[20] - un capteur de rythme cardiaque configuré pour mesurer un rythme cardiaque fœtal d’au moins un fœtus porté par la femme enceinte donnée, le rythme cardiaque fœtal mesuré et l’intensité des contractions utérines formant les données cardiotocographiques ;
[21 ] - une unité de stockage d’un modèle d’intelligence artificielle entraîné utilisant un réseau neuronal, reliée à une unité de calcul et d’affichage elle-même reliée aux capteurs, le modèle d’intelligence artificielle étant entraîné à partir au moins : [22] - une base de données annotée dite « avec issue fœtale >> comportant des données cardiotocographiques d’entrainement prétraitées et obtenues pour des femmes enceintes en situation d’accouchement, et des données de l’issue fœtale permettant d’évaluer une situation d’hypoxie fœtale à la naissance et associées aux données cardiotocographiques d’entrainement,
[23] - une base de données non annotée, constituée de données cardiotocographiques dont l’issue fœtale n’est pas forcément connue, en particulier si elles sont enregistrées plus de 1 heure avant la naissance ;
[24] Avantageusement, les données non annotées peuvent provenir d’enregistrements durant le travail, quel que soit le nombre d’heures avant l’accouchement, et/ou d’enregistrements de suivi de grossesse ;
[25] Avantageusement le modèle d’intelligence artificielle peut être entrainé avec une base de données cliniques maternelles et/ou fœtales d’entrainement ;
[26] L’unité de calcul et d’affichage étant configurée pour permettre, ultérieurement à l’apprentissage du modèle d’intelligence artificielle :
[27] - le prétraitement des données cardiotocographiques de la femme enceinte donnée ;
[28] - le calcul d’un risque d’hypoxie fœtale à plusieurs instants et à partir des données cardiotocographiques traitées et mesurées à plusieurs instants, et avantageusement des données cliniques de la femme enceinte donnée, à partir du modèle d’intelligence artificielle entraîné, grâce au préalable avantageusement à la saisie ou l’enregistrement des données cliniques maternelles et/ou fœtales de la femme enceinte donnée, pour prendre compte ces données cliniques par l’unité de calcul.
[29] Dans le contexte de la présente invention, le système conforme au premier aspect de l’invention est apte à être utilisé notamment dans les situations suivantes :
[30] - une utilisation en salle de naissance, pendant le travail et l’accouchement de la femme enceinte, afin d’aider les praticiens à déterminer en temps réel le risque d’hypoxie fœtale et de définir au regard de celui-ci la meilleure prise en charge de la femme enceinte et de son fœtus ; [31 ] - une utilisation lors du suivi de grossesse, et notamment pour le suivi des grossesses à haut risque, dans les semaines précédant l’accouchement, c’est-à- dire en dehors du travail de la femme enceinte. Lors d’une telle utilisation, le système conforme au premier aspect de l’invention permet de vérifier que les données cardiotocographiques et les données cliniques traduisent un bon développement du fœtus ;
[32] - une utilisation pour la formation des praticiens dans un contexte de simulation d’accouchement, afin de leur permettre d’aiguiser leurs observations et d’affuter leur interprétation des données cardiotocographiques pour évaluer le risque d’hypoxie fœtale, en autorisant une comparaison avec une grandeur de référence donnée, pour la même situation, par le système conforme au premier aspect de l’invention.
[33] Dans le contexte de l’invention, le système conforme au premier aspect comporte une ou deux voies de mesure et d’analyse, permettant respectivement de déterminer un risque d’hypoxie fœtale pour un unique fœtus ou pour deux fœtus. Dans le cas où le système conforme au premier aspect de l’invention comporte deux voies, une première voie est utilisée pour mesurer les données cardiotocographiques relatives au premier fœtus, et une deuxième voie est utilisée pour mesurer les données cardiotocographiques relatives au deuxième fœtus. Bien évidemment, les données cliniques relatives à la femme enceinte sont communes et identiques aux deux évaluations menées par le système conforme au premier aspect de l’invention. Ainsi, le système conforme au premier aspect de l’invention permet ainsi, via les premières données cardiotocographiques et avantageusement les données cliniques, de déterminer un premier risque d’hypoxie fœtale pour le premier fœtus, et il peut aussi déterminer un deuxième risque d’hypoxie fœtale relatif au deuxième fœtus via les deuxièmes données cardiotocographiques et avantageusement les données cliniques.
[34] Dans le contexte de la présente invention, l’unité de stockage comporte une ou plusieurs mémoires, telles que présente dans un ordinateur, un calculateur ou un serveur par exemple, et l’unité de calcul et d’affichage comporte un ou plusieurs processeurs ou un ou plusieurs microcontrôleur, et un dispositif d’affichage tel que par exemple un écran. Bien entendu, le dispositif d’affichage, l’unité de calcul et l’unité de stockage sont tous reliés entre eux, par des moyens filaires ou non filaires, afin de permettre un transfert et un affichage des données relatives aux mesures réalisées par les capteurs, aux données cardiotocographiques, aux données cliniques. Le dispositif d’affichage, l’unité de calcul et l’unité de stockage peuvent être centralisés au sein d’un même ensemble, tel que par exemple un ordinateur ou un moniteur, ou ils peuvent être délocalisés - tels que par exemple sur un serveur distant - et reliés entre eux par des moyens de communication.
[35] Dans le contexte de la présente invention, le dispositif d’affichage comporte par exemple une interface de communication configurée pour permettre à un utilisateur la saisie ou l’enregistrement de données cliniques. L’interface de communication peut prendre la forme d’un écran tactile, d’un clavier ou de tout autre moyen. L’interface de communication est bien entendu connectée à l’unité de calcul et à l’unité de stockage.
[36] Dans le contexte de la présente invention, le modèle d’intelligence artificielle est un modèle mathématique qui permet de calculer, en fonction de données d’entrées comportant les données cardiotocographiques et dans un mode de réalisation possible de l’invention les données cliniques, des données de sorties représentative du risque d’hypoxie fœtale. Pour ce faire, le modèle d’intelligence artificielle a été préalablement entrainé de manière à le faire converger en direction d’un risque d’hypoxie fœtale conforme, c’est-à-dire analogue, au risque d’hypoxie fœtale tel que déterminé à partir des métriques utilisées par les praticiens pour qualifier le risque d’hypoxie fœtale, telles que préférentiellement une mesure de pH. Bien évidemment, l’objet de l’invention est de permettre une meilleure interprétation que celle menée par les praticiens, avec une détection plus précoce, plus fiable et plus précise du risque d’hypoxie fœtale.
[37] A cet effet, le modèle mathématique a été entrainé grâce aux données cardiotocographiques d’entrainement annotées pour lesquelles l’état du fœtus ayant été mis au monde par la femme enceinte est qualifié par une métrique. En d’autres termes, les données cardiotocographiques d’entrainement annotées, obtenues durant le travail et durant l’accouchement de la femme enceinte, ont été qualifiées par l’état du fœtus une fois né, afin de permettre au modèle mathématique de déterminer les situations des données cardiotocographiques conduisant à une délivrance saine du fœtus, et celles qui peuvent conduire parfois à un fœtus atteint de séquelles résultant d’une hypoxie fœtale durant la grossesse ou l’accouchement, voire à une morbi-mortalité fœtale. A titre d’exemple non limitatif, la qualification des données cardiotocographiques d’entrainement annotées peut prendre la forme de la formation d’un couple de valeurs comportant, d’une part, les données cardiotocographiques et, d’autre part, une valeur rendant compte de l’hypoxie fœtale du fœtus accouché, tel que par exemple une mesure de pH. Complémentairement, cette qualification de données via l’issue fœtale est aussi complétée par les données cliniques maternelles et/ou fœtales, afin de former des ensembles de données annotées.
[38] Dans le contexte de l’invention, les données cliniques maternelles sont des paramètres physionomiques et/ou contextuels relatifs à la femme enceinte portant le fœtus dont la surveillance est mise en œuvre, et les données cliniques fœtales sont des paramètres physionomiques et/ou contextuels relatifs au fœtus.
[39] Dans le contexte de la présente invention, le système conforme à son premier aspect permet de, successivement,
[40] - prétraiter les données cardiotocographiques mesurées sur la femme enceinte, formant les données cardiotocographiques traitées ;
[41 ] - dans un mode de réalisation possible de l’invention saisir et enregistrer les données cliniques de la femme enceinte ;
[42] - calculer le risque d’hypoxie fœtale à partir des données cardiotocographiques traitées et dans un mode de réalisation possible de l’invention à partir des données cliniques à partir du modèle d’intelligence artificielle entraîné, c’est-à-dire ayant été entrainé via les données cardiotocographiques annotées d’entrainement, tel que décrit précédemment.
[43] Dans le contexte de l’invention, le risque d’hypoxie fœtale évalué par le système comporte notamment une quantification d’un niveau de risque associé à l’identification de paramètres représentatifs d’une hypoxie fœtale.
[44] Le système de l’invention comprend avantageusement au moins un des perfectionnements ci-dessous, les caractéristiques techniques formant ces perfectionnements pouvant être prises seules ou en combinaison :
[45] - les données cliniques maternelles et/ou fœtales d’entraînement de la femme donnée sont choisies parmi la liste suivante : des données maternelles relatives aux femmes enceintes, comportant notamment un âge ; et/ou des données fœtales relatives au fœtus, comportant notamment : un âge gestationnel, une estimation d’un poids fœtal, tel que par exemple la détermination d’un quantile du poids fœtal par rapport à une distribution de poids fœtal généralement observé, pour ce terme donné de la grossesse, dans une population de référence donnée. D’une manière plus générale, les données maternelles relative à la femme enceinte peuvent comprendre un âge, un indice de masse corporelle, une parité, un identifiant de grossesse singleton ou gémellaire ; et/ou les données fœtales relatives au fœtus peuvent comprendre un âge gestationnel, un sexe, une estimation du poids fœtal ; et/ou des données d’accouchement telles que par exemple une suspicion d’infection intra-utérine, obtenue par exemple par une mesure de la température de la femme enceinte, une présence de diabète gestationnel ou une présence d’une pathologie vasculaire, telle que par exemple une hypertension gravidique, une pré éclampsie, une mesure de dilatation du col de l’utérus ;
[46] - afin de permettre un traitement optimal des données mesurées, l’unité de calcul et d’affichage réalise un prétraitement des données cardiotocographiques. Le prétraitement comporte notamment une complétion des données cardiotocographiques manquantes, et/ou une suppression des données cardiotocographiques aberrantes. En particulier, la complétion des données cardiotocographiques comporte par exemple une interpolation linéaire entre une donnée cardiotocographique directement précédente à la donnée cardiotocographique manquante et une donnée cardiotocographique succédant directement à la donnée cardiotocographique manquante. En outre, la suppression d’une donnée cardiotocographique aberrante comporte une analyse d’un écart entre la donnée cardiotocographique aberrante et les données cardiotocographiques directement adjacentes à la donnée cardiotocographique aberrante, la donnée cardiotocographique aberrante étant supprimée si l’écart est supérieur à une valeur seuil ;
[47] - le modèle d’intelligence artificielle est entraîné à l’aide des données cardiotocographiques d’entraînement prétraitées. Complémentairement, le modèle d’intelligence artificielle peut aussi être entrainé à l’aide d’indicateurs calculés à partir des données cardiotocographiques prétraitées et caractérisant l’évolution des rythmes cardiaques des fœtus. Ces indicateurs sont déterminés pour reproduire l’analyse faite par les praticiens de la situation fœtale, dans le respect des recommandations des sociétés savantes. Ces indicateurs sont calculés à partir des données cardiotocographiques mesurées sur des femmes enceintes, afin de qualifier certaines caractéristiques visuelles et graphiques des rythmes cardiaques fœtaux et/ou des contractions utérines, conformément aux savoir-faire et habitudes d’examens recommandés par les sociétés savantes ;
[48] - les indicateurs sont préférentiellement choisis parmi la liste suivante : (i) une ligne de base, calculée comme une moyenne glissante du rythme cardiaque fœtal, hors périodes d’accélération et de décélération, et/ou (ii) une durée et un nombre d’événements cardiaques critiques du type d’une accélération, chaque événement cardiaque critique de type accélération étant déterminé par un rythme cardiaque fœtal supérieur à une plage nominale de rythme cardiaque définie autour de la ligne de base, et/ou (iii) une durée et un nombre d’événements cardiaques critique du type d’une décélération, chaque événement cardiaque critique de type décélération étant déterminé par un rythme cardiaque fœtal inférieur à la plage nominale de rythme cardiaque définie autour de la ligne de base, et/ou (iv) une variabilité du rythme cardiaque fœtal. Ces indicateurs sont ceux recommandés par les sociétés savantes pour la détection et/ou la qualification d’un risque d’hypoxie fœtale ;
[49] - la variabilité du rythme cardiaque fœtal est déterminée pour plusieurs échelles de temps différentes. En particulier, dans le contexte de l’invention, la variabilité du rythme cardiaque fœtal est définie par un écart type dudit rythme cardiaque ou par la dérivée du rythme cardiaque fœtal. Complémentairement, on définit (i) une variabilité du rythme cardiaque à court terme, c’est-à-dire sur une période de quelques secondes, par exemple comprise entre 5 secondes et 60 secondes, et (ii) une variabilité du rythme cardiaque à long terme, c’est-à-dire de l’ordre de quelques minutes, par exemple comprise entre 5 minutes et 25 minutes ;
[50] - complémentairement, les indicateurs peuvent aussi comprendre une position relative de la ligne de base par rapport à une référence attendue de ladite ligne de base. En particulier, les indicateurs peuvent comprendre l’identification d’une position de la ligne de base trop basse par rapport à la référence attendue de ladite ligne de base, et/ou une position de la ligne de base trop élevée par rapport à la référence attendue de ladite ligne de base, et/ou un nombre d’événements cardiaques critiques du type d’une décélération du rythme cardiaque fœtal présentant une durée inférieure à 2 minutes, et/ou un nombre d’événements cardiaques critiques du type d’une décélération du rythme cardiaque fœtal présentant une durée supérieure à 2 minutes, et/ou un nombre d’événements cardiaques critiques du type d’une accélération du rythme cardiaque fœtal ;
[51 ] - dans le contexte de l’invention, le réseau de neurones est un modèle permettant de prédire une variable d’intérêt - ici le risque d’hypoxie fœtale - à partir de variables explicatives - ici les données de cardiotocographie et, le cas échéant, les données cliniques. Le réseau de neurones est optimisé sur une base de données rétrospective. Plus particulièrement, le réseau de neurones mis en œuvre par le système est du type convolutionnel ou transformer basé sur le mécanisme d’attention, car particulièrement adapté au traitement des signaux temporels, dont les données cardiotocographiques ;
[52] - dans le contexte de l’invention, et plus particulièrement dans le cadre d’une utilisation du système selon l’invention pour de la formation, le modèle d’intelligence artificielle comporte un modèle génératif qui permet de générer des données fictives similaires à celles disponibles sur les bases de données sur lesquelles le réseau de neurones a été entraîné, rendant possible ici de générer des signaux représentatifs des données cardiotocographiques annotées. Le modèle d’intelligence artificielle est un réseau de neurones ayant été entraîné en apprentissage semi-supervisé à partir (i) d’une première base de données non annotées regroupant uniquement des premières données cardiotocographiques d’entrainement prétraitées et obtenues pour des femmes enceintes, sans données de l’issue fœtale associée à ces données cardiotocographiques d’entraînement et, ensuite (ii) d’une seconde base de données annotées dite « avec issue fœtale >> regroupant des secondes données cardiotocographiques d’entrainement prétraitées et obtenues pour des femmes enceintes, et des données d’issue fœtale permettant d’évaluer une hypoxie fœtale à la naissance associée à ces données cardiotocographiques d’entrainement, et dans un mode de réalisation possible (iii) des donnes cliniques maternelles et/ou fœtales d’entrainement. Ainsi, le modèle d’intelligence artificielle est entrainé avec des données cardiotocographiques pour lesquelles on ne connait pas l’issue fœtale - les données de la première base de données - et des données annotées résultant de situations d’accouchement pour lesquelles on a pu déterminer l’issue fœtale - résultant de la seconde base de données, les données issues de la première base de données ont pu être obtenues lors de visites obstétricales précédant l’accouchement, ou encore durant des premières phases de travail éloignées de la naissance elle-même, par exemple antérieures à 1 h avant la naissance, ce qui permet d’entrainer le réseau de neurones artificielle avec une très grande quantité de données de cardiotocographies (le réseau de neurones est en quelque sorte préformée par ces milliers de données non annotées à toutes les évolutions possibles des données de cardiotocographie) pour qu’ensuite ce réseau de neurones soit plus à même dans une deuxième étape d’être entrainé plus rapidement et plus efficacement avec les données de la deuxième base de données annotées;
[53] -ces méthodes d’apprentissage semi-supervisé sont utilisées car l’on dispose à la fois de données annotées en quantité limitée - les données cardiotocographiques pour lesquelles l’issue fœtale est connue et associées auxdites données cardiotocographiques - et en plus grande quantité des données non-annotées - les données cardiotocographiques pour lesquelles l’issue fœtale est inconnue ;
[54] - le réseau de neurones est d’abord entrainé avec la première base de données non annotées pour obtenir des blocs de traitement des données cardiotocographiques prétraitées (utilisant l’architecture convolutionnelle ou basée sur le transformer), à partir seulement des données de cardiotocographie. Dans un second temps, le réseau de neurones est entrainé avec des données de la seconde base de données annotées dite « avec issue fœtale >>, en initialisant les blocs de traitement des données cardiotocographiques prétraitées tels qu’appris dans la première étape. Dans le contexte de l’invention, les blocs sont des états intermédiaires de calcul mis en œuvre par le modèle d’intelligence artificielle et, plus particulièrement, par le réseau de neurones. En d’autres termes, il s’agit de neurones situés entre une entrée et une sortie du réseau de neurones ;
[55] - l’unité de calcul et d’affichage comporte avantageusement le réseau de neurones ; [56] - en particulier, le réseau de neurones est configuré pour (i) appliquer une transformation , par exemple convolutionnelle, des données cardiotocographiques traitées, formant des données expérimentales, par exemple convoluées, (ii) appliquer une concaténation à ces données expérimentales avec les données cliniques de la femme enceinte, formant ensemble des données concaténées, et (iii) appliquer une prédiction du risque d’hypoxie fœtale à partir des données concaténées ;
[57] - l’unité de calcul et d’affichage est configurée pour, à une fréquence d’affichage donnée, (i) calculer et afficher une série d’indicateurs caractérisant le rythme cardiaque fœtal du fœtus de la femme enceinte donnée, interprétables par les praticiens, ces indicateurs étant affichés simultanément au risque d’hypoxie fœtale calculé par intelligence artificielle de la femme enceinte donnée et/ou (ii) calculer, par application d’un modèle de régression mathématique, un risque fœtal statistique, et (iii) calculer une contribution de ces indicateurs au risque d’hypoxie fœtale statistique et afficher simultanément le risque d’hypoxie fœtale calculé par intelligence artificielle et une contribution de ces indicateurs. On comprend ici que, dans le contexte de l’invention, les indicateurs caractérisant le rythme cardiaque fœtal sont du type de ceux évoqués précédemment et tels que définis par les sociétés savantes. En d’autres termes, les indicateurs calculés ici sont du type à être interprétables par les praticiens. Dans le contexte de la présente invention, les opérations réalisées par l’unité de calcul et d’affichage sont réalisées selon au moins une fréquence d’échantillonnage et/ou une fréquence d’affichage prédéterminées. La fréquence d’échantillonnage - utilisée pour déterminer ou mesurer le rythme cardiaque fœtal et l’intensité des contractions utérines - peut comporter une première fréquence d’échantillonnage utilisée pour déterminer ou mesurer le rythme cardiaque fœtal et une deuxième fréquence d’échantillonnage utilisée pour déterminer ou mesurer l’intensité des contractions utérines. De manière avantageuse, l’unité de calcul et d’affichage met en œuvre une unique fréquence d’échantillonnage, généralement de l’ordre de quelques hertz, par exemple égale à 4 Hz. Complémentairement, l’unité de calcul et d’affichage calcule finalement un ou plusieurs indicateurs au risque d’hypoxie fœtale ainsi que leurs contributions audit risque selon la fréquence d’affichage. A titre d’exemple non limitatif, la fréquence d’affichage est de l’ordre de quelques Hertz, par exemple égale à 1 Hz ;
[58] - l’unité de calcul et d’affichage est configurée pour afficher, à la fréquence d’affichage, la contribution de ces indicateurs dans le risque d’hypoxie fœtal de la femme enceinte donnée, calculé par le modèle d’intelligence artificielle entrainé. Complémentairement ou alternativement, l’unité de calcul et d’affichage est configurée pour afficher, à la fréquence d’affichage, le risque d’hypoxie fœtal de la femme enceinte donnée, calculé par le modèle d’intelligence artificielle entrainé ;
[59] - dans le contexte de l’invention, le modèle de régression mathématique est du type permettant de déterminer un coefficient de pondération pour chaque paramètre intervenant dans le calcul des indicateurs et/ou du risque d’hypoxie fœtale. En particulier, le modèle de régression mathématique est par exemple du type d’un modèle de régression logistique ;
[60] - le modèle d’intelligence artificielle est entrainé à partir d’au moins une des données suivantes représentative de l’issue fœtale : (i) une mesure d’un pH au niveau d’un cordon ombilical du fœtus, une valeur de pH inférieure à 7.15 qualifiant une hypoxie fœtale modérée ou sévère, et une valeur de pH inférieure à 7.05 qualifiant une hypoxie fœtale sévère ; et/ou (ii) des mesures de gazométrie sur le cordon ombilical, en vue par exemple de mettre en évidence une concentration de base supérieure à 12 mmol/L ou une concentration de lactates supérieure à 6 mmol/L ; et/ou (iii) un score d’Apgar ; et/ou (iv) une hospitalisation éventuelle du fœtus en soins intensifs pour suspicion d’hypoxie fœtale ;
[61 ] - le modèle d’intelligence artificielle est entraîné à partir d’enregistrements de cardiotocographie de femmes enceintes comportant (i) une première base de données non annotées, comprenant les enregistrements situés avant l’accouchement des femmes enceintes, (ii) une seconde base de données annotées dite « avec issue fœtale >>, comportant des enregistrements situés au- plus à 40 minutes, avantageusement au plus à 30 minutes, de la naissance du fœtus porté par ces femmes enceintes et annotées avec les données de l’issue fœtale, et (iii) des données cliniques maternelles et/ou fœtales de ces femmes dont on connait l’issue fœtale de leur accouchement. La première base de données non annotées comporte notamment des données augmentées par glissement temporel ;
[62] - le système comporte des moyens de communications entre, d’une part, le capteur de contractions utérines et le capteur de rythme cardiaque et, d’autre part, l’unité de calcul et d’affichage, de façon à ce que le système puisse être utilisé en ambulatoire ou à domicile, le calcul et/ou l’affichage du risque d’hypoxie fœtale étant destiné à être suivi à distance par un praticien.
[63] Selon un deuxième aspect de l’invention, il est proposé un procédé pour évaluer un risque d’hypoxie fœtale d’un fœtus d’une femme enceinte donnée, à l’aide d’un système conforme au premier aspect de l’invention ou selon l’un quelconque de ses perfectionnements, le procédé comportant les étapes suivantes :
[64] - une étape d’acquisition de données cardiotocographiques et des données de contexte clinique maternelles et/ou fœtales de la femme enceinte donnée ;
[65] - une étape de prétraitement des données cardiotocographiques de la femme enceinte donnée ;
[66] - une étape de calcul du risque d’hypoxie fœtale de la femme enceinte donnée par application d’un modèle d’intelligence artificielle entraîné.
[67] Le procédé conforme au deuxième aspect de l’invention comprend avantageusement au moins un des perfectionnements ci-dessous, les caractéristiques techniques formant ces perfectionnements pouvant être prises seules ou en combinaison :
[68] - l’étape de prétraitement comporte (i) une étape de complétion de données cardiotocographiques manquantes ; et/ou (ii) une étape de suppression de données cardiotocographiques aberrantes ;
[69] - les données cliniques maternelles ou fœtales sont choisies parmi la liste suivante : (i) des données maternelles relatives aux femmes enceintes, comportant notamment un âge, un indice de masse corporelle, une parité, un identifiant de grossesse singleton ou gémellaire, et/ou (ii) des données fœtales relatives aux fœtus, comportant notamment un âge gestationnel, une estimation du poids fœtal, un sexe, et/ou des données d’accouchement comportant notamment une suspicion d’infection intra-utérine, qualifiée par exemple par mesure d’une température de la femme enceinte, une présence d’une pathologie vasculaire telle que par exemple une hypertension gravidique, une pré éclampsie, une présence de diabète gestationnel, une mesure de dilatation du col de l’utérus ;
[70] - le procédé comporte une étape de calcul et d’affichage : (i) d’indicateurs interprétables par les praticiens caractérisant le rythme cardiaque fœtal du fœtus de la femme enceinte donnée, un risque fœtal statistique par application d’un modèle de régression mathématique, et simultanément une contribution de ces indicateurs au risque d’hypoxie fœtale de la femme enceinte donnée calculé par le modèle d’intelligence artificielle entrainé.
[71 ] Des modes de réalisation variés de l’invention sont prévus, intégrant selon l’ensemble de leurs combinaisons possibles les différentes caractéristiques optionnelles exposées ici.
[72] D’autres caractéristiques et avantages de l’invention apparaîtront encore au travers de la description qui suit d’une part, et de plusieurs exemples de réalisation donnés à titre indicatif et non limitatif en référence aux dessins schématiques annexés d’autre part, sur lesquels :
[73] [Fig.1 ] illustre une vue schématique du système conforme au premier aspect de l’invention ;
[74] [Fig.2] illustre une vue synoptique du fonctionnement du système selon l’invention ;
[75] [Fig.3] illustre une comparaison des performances du système selon l’invention avec les diagnostics réalisés par des praticiens ;
[76] [Fig.4] illustre une comparaison des performances du système selon l’invention selon des modes de réalisation différents ;
[77] [Fig.5] illustre une comparaison des performances du système selon l’invention, en utilisant un nombre variable de données non annotées à nombre de données annotées constant ; une donnée cardiotocographie correspond à titre uniquement illustratif et sans que cela soit limitatif, à une séquence du signal, par exemple d’une durée 30 minutes, pour une femme enceinte, cette donnée cardiotocographique étant étiquée par l’issue fœtale (deuxième base de données) ou pas (première base de données) ;
[78] [Fig.6] illustre les différences de résultats obtenus avec les différentes méthodes d’apprentissage semi-supervisé, avec le même nombre de données cardiotocographie;
[79] [Fig.7] illustre un premier visuel représentant les données affichées par le système selon l’invention et la détermination d’un premier risque d’hypoxie fœtale ;
[80] [Fig.8] illustre un deuxième visuel représentant les données affichées par le système selon l’invention et la détermination d’un deuxième risque d’hypoxie fœtale ;
[81 ] [Fig.9] illustre un troisième visuel représentant les données affichées par le système selon l’invention et la détermination d’un troisième risque d’hypoxie fœtale.
[82] Bien entendu, les caractéristiques, les variantes et les différentes formes de réalisation de l’invention peuvent être associées les unes avec les autres, selon diverses combinaisons, dans la mesure où elles ne sont pas incompatibles ou exclusives les unes des autres. On pourra notamment imaginer des variantes de l’invention ne comprenant qu’une sélection de caractéristiques décrites par la suite de manière isolée des autres caractéristiques décrites, si cette sélection de caractéristiques est suffisante pour conférer un avantage technique ou pour différencier l’invention par rapport à l’état de la technique antérieur.
[83] En particulier toutes les variantes et tous les modes de réalisation décrits sont combinables entre eux si rien ne s’oppose à cette combinaison sur le plan technique.
[84] Sur les FIGURES, les éléments communs à plusieurs FIGURES conservent la même référence.
[85] L’évaluation du bien-être fœtal durant la grossesse est basée sur l’analyse des données cardiotocographiques CTO, comportant une mesure d’un rythme cardiaque fœtal et une mesure d’une intensité des contractions utérines.
[86] Actuellement, cette interprétation est faite de manière individuelle, empirique et visuelle par les praticiens en suivant des recommandations des sociétés savantes, lors d’examens obstétriques visant à contrôler le bon déroulement de la grossesse ou pour conduire l’accouchement d’une femme enceinte FE. Ces interprétations des données cardiotocographiques CTO se révèlent être d’une très grande importance clinique, car elles permettent de détecter les principales anomalies fœtales, et en particulier l’hypoxie fœtale. Par suite, il est alors possible pour ces praticiens d’adapter le mode d’accouchement - par voie basse ou par césarienne - afin d’éviter tout dommage permanent au fœtus FO.
[87] Le système 1 tel que représenté schématiquement sur la FIGURE 1 permet de mettre en œuvre un procédé 2 - visible sur la FIGURE 2 - pour évaluer un risque d’hypoxie fœtale RSK d’une femme enceinte FE en analysant de manière automatisée des données cardiotocographiques CTO et des données cliniques DCL de la femme enceinte FE. Le système 1 permet ainsi de mettre à disposition des praticiens une évaluation du risque d’hypoxie fœtale RSK - mesuré entre 0% et 100% - et de mettre en avant les contributions CTR de plusieurs indicateurs IND reconnus par les sociétés savantes dans la mesure de ce risque, chaque pondération étant comprise entre 0% et 100% et leur somme faisant 100%.
[88] Plus particulièrement, comme visible sur la FIGURE 2, le risque d’hypoxie fœtale RSK est évalué par un modèle d’intelligence artificielle IA mis en œuvre par un réseau de neurones 23 de l’unité de calcul et d’affichage 13. Complémentairement, le système 1 selon l’invention met en œuvre un deuxième modèle mathématique, typiquement du type d’un modèle de régression logistique 24, afin d’évaluer la contribution au risque d’hypoxie fœtale RSK des différents indicateurs IND calculés lors d’une étape de calcul 22 et issus des recommandations des sociétés savantes et calculés de manière automatique sur la base des données cardiotocographiques CTO et éventuellement des données cliniques DCL.
[89] De manière particulièrement avantageuse, ces modèles sont appris sur une base de données rétrospectives comportant, pour un grand nombre d’accouchements, des données fœtales dites annotées, logées dans une première base de données, et permettant d’évaluer les situations d’hypoxie fœtale en relation avec les données cardiotocographiques CTO obtenues juste avant l’accouchement. Ces données d’apprentissage ont été obtenues lors de mesures préalables et d’analyses réalisées par les praticiens préalablement. Elles permettent une utilisation ultérieure du système 1 et du modèle d’intelligence artificielle IA sur des situations inédites pour lesquelles le modèle d’intelligence artificielle IA est désormais capable de prédire correctement les situations, les indicateurs IND et le risque d’hypoxie fœtale RSK.
[90] Le système 1 , via son unité de calcul et d’affichage 13 met à jour en temps réel et selon une fréquence d’affichage donnée le risque d’hypoxie fœtale RSK déterminé et les contributions CTR identifiées lors de l’étape de calcul 22 pour les différents indicateurs IND, afin de refléter les dernières données de cardiotocographie disponibles et de permettre aux praticiens de disposer d’un outil d’aide à la décision.
[91 ] Dans le contexte de la présente invention, l’état clinique ou médical n’est pas considéré. Le système 1 et le procédé 2 selon l’invention se contentent de traiter des signaux techniques résultants de capteurs 11 , 12 ou d’instruments et/ou calculés à partir d’eux.
[92] Plus particulièrement, le système 1 conforme au premier aspect de l’invention comporte :
[93] - un capteur de contractions utérines 1 1 configuré pour mesurer une intensité des contractions utérines chez la femme enceinte FE donnée ;
[94] - un capteur de rythme cardiaque 12 configuré pour mesurer un rythme cardiaque fœtal d’au moins un fœtus FO porté par la femme enceinte FE donnée, le rythme cardiaque fœtal mesuré et l’intensité des contractions utérines formant les données cardiotocographiques CTO ;
[95] - une unité de stockage 14 d’un modèle d’intelligence artificielle IA entraîné utilisant un réseau neuronal, reliée à une unité de calcul et d’affichage 13 elle- même reliée aux capteurs 1 1 , 12.
[96] L’unité de calcul et d’affichage 13 est configurée pour mettre en œuvre le modèle d’intelligence artificielle IA, l’unité de calcul et d’affichage 13 comportant notamment un réseau de neurones 23.
[97] Dans le contexte de l’invention, le modèle d’intelligence artificielle IA est entraîné à partir d’une première base de données non annotées et d’une deuxième base de données annotée dite « avec issue fœtale >> comportant des données cardiotocographiques CTO d’entrainement prétraitées et obtenues pour des femmes enceintes en situation d’accouchement, et des données de l’issue fœtale permettant d’évaluer une situation d’hypoxie fœtale à la naissance, et associées aux données cardiotocographiques CTO d’entrainement ;
[98] - et dans une variante possible de l’invention en plus par des données cliniques DCL maternelles et/ou fœtales d’entrainement.
[99] Par suite, l’unité de calcul et d’affichage 13 du système 1 selon l’invention est configurée pour permettre :
[100] - le prétraitement des données cardiotocographiques CTO de la femme enceinte FE donnée, formant les données cardiotocographiques prétraitées CTP ;
[101] - dans le cas de la variante possible par la saisie ou l’enregistrement des données cliniques DCL de la femme enceinte FE donnée, les données cliniques DCL étant prises en compte par l’unité de calcul ;
[102] - le calcul d’un risque d’hypoxie fœtale RSK à partir des données cardiotocographiques CTO traitées, et des données cliniques DCL de la femme enceinte FE donnée, à partir du modèle d’intelligence artificielle IA entraîné.
[103] Le prétraitement comporte notamment une complétion des données cardiotocographiques CTO manquantes, par exemple par interpolation linéaire entre une donnée cardiotocographique directement précédente à la donnée cardiotocographique manquante et une donnée cardiotocographique succédant directement à la donnée cardiotocographique manquante. En d’autres termes, une donnée cardiotocographique est manquante s’il existe un « trou >> entre deux ou plus données cardiotocographiques CTO adjacentes. Dans le contexte de l’invention, un tel trou de données cardiotocographiques CTO de durée inférieure à une valeur seuil, typiquement égal à 5 minutes par exemple, est rempli et complété, préférentiellement par interpolation linéaire. A contrario, un trou de données cardiotocographiques CTO s’étalant sur une durée supérieure à la valeur seuil n’est pas complété.
[104] Alternativement ou complémentairement, le prétraitement comporte une suppression des données cardiotocographiques CTO aberrantes, par exemple via une analyse d’un écart entre la donnée cardiotocographique aberrante et les données cardiotocographiques CTO directement adjacentes à la donnée cardiotocographique aberrante, la donnée cardiotocographique aberrante étant supprimée si l’écart est supérieur à une valeur seuil. Une valeur cardiotocographique x(t) représentative d’un état à un instant donné est considérée comme aberrante si la valeur absolue des quantités x(t) - x(t-1 ) et x(t) - x(t+1 ) sont, ensembles, supérieures à un seuil, choisi par exemple comme étant égal à 30 bpm pour le rythme cardiaque fœtal et à 20 mm Hg pour les contractions utérines, où x(t-1 ) et x(t+1 ) sont respectivement les données cardiotocographiques CTO précédentes et successives à la valeur cardiotocographique x(t) donnée. Les valeurs aberrantes détectées sont ensuite remplacées par une interpolation linéaire.
[105] Les données cliniques DCL de la femme enceinte FE permettent de définir le contexte clinique de l’accouchement et/ou de la femme enceinte FE. Les données cliniques DCL prises en comptes par le système 1 selon l’invention comportent notamment les données suivantes :
[106] - des données maternelles, telles que par exemple un âge, un indice de masse corporelle, une parité, un caractère singleton ou gémellaire de la grossesse ;
[107] - des données fœtales, telles que par exemple un âge gestationnel, un sexe, une estimation du poids fœtal ;
[108] - des données d’accouchement, telles que par exemple une suspicion d’infection intra utérine, une présence d’une pathologie vasculaire telle que par exemple une hypertension gravidique, une pré éclampsie, une présence de diabète gestationnel, une mesure de dilatation du col de l’utérus.
[109] Le système 1 selon l’invention permet de mettre en œuvre :
[1 10] - les données cardiotocographiques CTO et les données cliniques DCL utilisées en entrée du système 1 ;
[1 1 1] - le calcul d’indicateurs IND interprétables par les praticiens en utilisant un modèle de régression logistique 24 basé sur les recommandations des sociétés savantes, les indicateurs IND étant calculés sur la base des données cardiotocographiques CTO et/ou des données cliniques DCL obtenues ;
[1 12] - le calcul du risque d’hypoxie fœtale RSK et le calcul 22 des contributions CTR audit risque d’hypoxie fœtale de chaque indicateur IND précédemment calculé. [1 13] D’une manière générale, les contributions des indicateurs IND interprétables par les praticiens sont calculées par le modèle de régression logistique 24 qui implémente les recommandations des sociétés savantes, sur la base d’une analyse en temps réel des données cardiotocographiques CTO, et notamment du rythme cardiaque fœtal. Les indicateurs IND calculés sont les suivants :
[1 14] - une ligne de base, calculée comme une moyenne glissante du rythme cardiaque fœtal, hors périodes d’accélération et de décélération, et/ou
[1 15] - une durée et un nombre d’événements cardiaques critiques du type d’une accélération, chaque événement cardiaque critique de type accélération étant déterminé par un rythme cardiaque fœtal supérieur à une plage nominale de rythme cardiaque définie autour de la ligne de base. En particulier, les indicateurs IND peuvent comprendre l’identification d’une position de la ligne de base trop élevée par rapport à une référence attendue de ladite ligne de base, tels que par exemple un nombre d’événements cardiaques critiques du type d’une accélération du rythme cardiaque fœtal ;
[1 16] - une durée et un nombre d’événements cardiaques critique du type d’une décélération, chaque événement cardiaque critique de type décélération étant déterminé par un rythme cardiaque fœtal inférieur à la plage nominale de rythme cardiaque définie autour de la ligne de base. En particulier, les indicateurs IND peuvent comprendre l’identification d’une position de la ligne de base trop basse par rapport à la référence attendue de ladite ligne de base, tels que par exemple un nombre d’événements cardiaques critiques du type d’une décélération du rythme cardiaque fœtal présentant une durée inférieure à 2 minutes, et/ou un nombre d’événements cardiaques critiques du type d’une décélération du rythme cardiaque fœtal présentant une durée supérieure à 2 minutes ; et/ou
[1 17] - une variabilité du rythme cardiaque à court terme, c’est-à-dire sur une période de quelques secondes, par exemple comprise entre 5 secondes et 60 secondes et/ou
[1 18] - une variabilité du rythme cardiaque à long terme, c’est-à-dire de l’ordre quelques minutes, par exemple comprise entre 5 minutes et 25 minutes ; et/ou [1 19] Le calcul de ces indicateurs IND est réalisé à une fréquence d’affichage donnée afin de permettre au praticien de les surveiller en temps réel, avec des valeurs toujours réactualisées.
[120] Dans le contexte de l’invention, le risque d’hypoxie fœtale RSK est calculé par le modèle d’intelligence artificielle IA et mis en œuvre par le réseau de neurones 23. Le réseau de neurones 23 prend comme variables d’entrée :
[121] - les données cardiotocographiques CTO traitées, c’est-à-dire après suppression des valeurs manquantes et filtrage des valeurs aberrantes ;
[122] - éventuellement les données cliniques DCL si elles sont disponibles ;
[123] - le cas échéant, les indicateurs IND calculés par le modèle mathématique de régression logistique 24 et basés sur les recommandations des sociétés savantes, tels que décrits précédemment, plus particulièrement, le modèle mathématique de régression logistique 24 permet de déterminer la contribution de chaque indicateur IND calculé dans la prédiction réalisée du risque d’hypoxie fœtale RSK.
[124] Dans le contexte de l’invention, et comme évoqué précédemment, le modèle d’intelligence artificielle IA est mis en œuvre par un réseau de neurones 23 de l’unité de calcul et d’affichage 13. Le réseau de neurones 23 est plus particulièrement du type d’un réseau convolutionnel ou d’un transformer basé sur le mécanisme d’attention ou un réseau récurrent.
[125] Le transformer est décrit par exemple dans la publication décrite sur ce lien hypertexte
Figure imgf000024_0001
[126] Les "réseaux récurrents sont en particulier de type LSTM" décrite sur ce lien hypertexte : https://www.researchgate.ne 'publication/13853244 Long Short-
Figure imgf000024_0002
[127] Comme évoqué précédemment, le réseau de neurones 23 est configuré pour déterminer une grandeur représentative d’un risque d’hypoxie fœtale RSK. Cette grandeur représentative est un nombre réel positif compris entre 0, synonyme d’absence totale de risque d’hypoxie fœtale RSK, et 1 , associé à une prédiction certaine d’hypoxie fœtale. En d’autres termes, le réseau de neurones 23 est configuré pour déterminer une prédiction du risque d’hypoxie fœtale RSK à partir des données suivantes : [128] - les données cardiotocographiques CTO qui sont intégrées dans le réseau de neurones 23 lors d’une première étape. Comme évoqué précédemment, ces données cardiotocographiques CTO sont déterminées par les capteurs 11 , 12 associés et selon une fréquence d’échantillonnage de l’ordre de quelques hertz. A titre d’exemple non limitatif, les mesures fournies par le capteur de rythme cardiaque 12 fœtal et par le capteur de contractions utérines 1 1 sont réalisées sur une période donnée qui dépend du contexte de mise en œuvre du système 1 selon l’invention. A titre d’exemple non limitatif, dans le cas d’une utilisation lors d’un accouchement, la durée de mesure peut être de l’ordre de plusieurs heures, préférentiellement dès le début du travail de la femme enceinte FE, et préférentiellement encore de l’ordre de plusieurs dizaines de minutes - typiquement entre 20 min et 30 min avant le terme de l’accouchement, c’est-à-dire la naissance du fœtus FO ;
[129] - des données cliniques DCL qui sont intégrées dans le réseau de neurones 23 lors d’une deuxième étape et qui rendent compte du contexte clinique associé à la femme enceinte FE et/ou au fœtus FO et/ou à la grossesse, telles que décrites précédemment.
[130] Lors d’une troisième étape, le modèle d’intelligence artificielle IA applique des blocs de traitement, par exemple convolutionnels, sur les données cardiotocographiques CTO afin de transformer lesdites données cardiotocographiques CTO réceptionnées lors de la première étape sous la forme d’une matrice de dimension (N, 2), où N est un entier naturel, en un vecteur par exemple convolutionné de dimension M, où M est un entier naturel inférieur à N avec avantageusement N/M supérieur ou égal à 10.
[131] Lors d’une quatrième étape, le modèle d’intelligence artificielle IA résume le contexte clinique de la femme enceinte FE et/ou du fœtus FO et/ou de la grossesse dans un vecteur représentatif des données cliniques DCL.
[132] Lors d’une cinquième étape, le modèle d’intelligence artificielle IA concatène ensuite le vecteur de dimension M calculé lors de la troisième étape avec le vecteur représentatif des données cliniques DCL déterminé lors de la quatrième étape.
[133] Lors d’une sixième étape, le modèle d’intelligence artificielle IA opère le vecteur concaténé déterminé lors de la cinquième étape dans des couches denses du réseau de neurones 23, afin de déterminer, in fine, une prédiction du risque d’hypoxie fœtale RSK.
[134] Bien entendu, dans le contexte de la présente invention, les performances attendues pour le système 1 conforme au premier aspect de l’invention dépendent de la capacité du modèle d’intelligence artificielle IA à prédire un risque d’hypoxie fœtale RSK qui converge au moins avec les diagnostics réalisés par les praticiens, et préférentiellement qui converge avec le sens des métriques utilisées pour qualifier le risque d’hypoxie fœtale, telles que préférentiellement une mesure de pH. Ces performances dépendent bien entendu du modèle d’intelligence artificielle développé et de son apprentissage qui va maintenant être décrit.
[135] D’une manière générale, l’apprentissage du réseau de neurones 23 correspond à l’optimisation de ses paramètres internes en utilisant une base de données rétrospective contenant, pour un grand nombre d’accouchements - c’est-à-dire supérieur à plusieurs milliers, voire à plusieurs dizaines de milliers - les informations suivantes :
[136] - les données cardiotocographiques CTO précédant l’accouchement ;
[137] - les données cliniques DCL rendant compte du contexte clinique materno- fœtal ;
[138] - une information qualifiant l’issue fœtale afin de pouvoir évaluer au moins une présence ou une absence d’hypoxie fœtale.
[139] Dans le contexte de la présente invention, la méthode d’apprentissage du réseau de neurones 23 envisagée est basée sur un apprentissage semi-supervisé permettant de tirer avantage de données cardiotocographiques CTO non annotées, plus nombreuses et plus diverses.
[140] Une méthode supervisée utilisée dans l’état de l’art ne permet pas d’exploiter toutes les données cardiotocographiques CTO disponibles, puisque de nombreuses données cardiotocographiques CTO existent sans être associées à une issue fœtale qualifiée :
[141] - par exemple parce que celle-ci n’a pas été renseignées lors de l’accouchement ; [142] - par exemple parce que les données cardiotocographiques CTO ont été mesurées pendant un examen obstétrique de contrôle pendant la grossesse de la femme enceinte FE ;
[143] - par exemple parce que les données cardiotocographiques CTO ont été mesurées pendant l’accouchement mais bien avant la dernière demi-heure précédant la naissance du fœtus FO.
[144] Aussi, la méthode d’apprentissage selon l’invention, mettant en œuvre un apprentissage semi-supervisé, permet de disposer de davantage de données pour l’apprentissage du réseau de neurones 23 et conduit ainsi à une très grande précision dudit réseau de neurones 23 ainsi entrainé, par rapport à une méthode d’apprentissage supervisée.
[145] La méthode semi-supervisée selon l’invention se décompose en deux étapes successives :
[146] - une étape d’apprentissage initial des blocs de traitement des données cardiotocographiques prétraitées, par exemple convolutionnels, du réseau de neurones 23 sur l’ensemble des données disponibles - annotées ou non annotées, l’étape d’apprentissage initial permettant de déterminer des premières valeurs pour les paramètres qualifiant les blocs, par exemple convolutionnels, du réseau de neurones 23 ;
[147] - une deuxième étape d’apprentissage du réseau de neurones 23 dans lequel les paramètres des blocs du réseau de neurones 23 sont prédéterminés et égaux aux paramètres appris dans l’étape précédente.
[148] Les blocs sont appris à l’aide de l’une des trois méthodes suivantes, afin de, finalement, construire des blocs capables d’interpréter les données cardiotocographiques CTO et de les résumer dans un vecteur de taille M. (1 ) Apprentissage d’un auto-encodeur, qui prend la forme d’un modèle dont l’objectif est de reproduire les données qui ont été fournies en entrée. (2) Apprentissage d’un modèle dont l’objectif est de prédire les indicateurs IND, ou un sous-ensemble de ceux-ci, à partir des données qui ont été fournies en entrée. (3) Apprentissage d’un modèle, dans lequel certaines parties du signal sont masquées, et dont l’objectif est de les prédire à partir du reste du signal. [149] Durant l’étape d’apprentissage initial, la connaissance de l’issue fœtale associée aux données cardiotocographiques CTO n’est pas nécessaire, permettant au modèle d’être entraîné sur un plus grand ensemble de données cardiotocographiques CTO.
[150] L’apprentissage initial des blocs de traitement des données cardiotocographiques CTO du réseau de neurones 23 par le biais de l’une des 3 méthodes décrites comporte les étapes suivantes :
[151] - une étape d’intégration dans le réseau de neurones 23 des données cardiotocographiques CTO issues d’une base de données d’apprentissage, éventuellement en partie masquées pour la méthode 3 ;
[152] - une étape d’application des blocs, par exemple convolutionnels, sur les données cardiotocographiques CTO afin de les transformer sous la forme d’une matrice de dimension (N, 2), où N est un entier naturel et 2 correspond aux deux types de données différentes de cardiotocographie (contractions utérines, rythme cardiaque du fœtus), en un vecteur par exemple convolutionné de dimension M, où M est un entier naturel très inférieur à N (M « N );
[153] - une étape d’application de blocs divers permettant de construire une prédiction à partir du vecteur de dimension M : les données cardiotocographiques CTO dans la méthode 1 , un vecteur contenant les indicateurs IND dans la méthode 2, ou les données cardiotocographiques ayant été masquées dans la méthode 3.
[154] A l’issue de l’étape d’apprentissage initial via l’une des 3 méthodes décrites, la deuxième étape d’apprentissage est mise en œuvre afin d’utiliser le réseau de neurones 23 avec de nouvelles données cardiotocographiques CTO de vecteurs (N, 2) et en configurant ledit réseau de neurones 23 de sorte à ce que les paramètres structurels des blocs de traitement des données cardiotocographiques prétraitées sont initialisés aux valeurs déterminées durant ladite étape d’apprentissage initial. Ce qui permet d’obtenir des vecteurs colonne d’une seule dimension de taille M, avec M « N (avantageusement N/M supérieur ou égal à 10), à partir des données de cardiotocographie (contractions utérines, rythme cardiaque du fœtus) de dimensions (N, 2) et de concaténer éventuellement ces vecteurs colonnes (qui décrivent et résument fidèlement l’évolution des données cardiotocographie du fait de l’encodeur préalablement entraîné) avec les données cliniques. Durant la deuxième étape d’apprentissage, l’objectif est désormais d’optimiser les autres paramètres du réseau de neurones 23 pour que l’issue fœtale prédite par celui-ci soit le plus proche possible de l’issue fœtale réelle, connue pour la base de données annotées.
[155] Ainsi, selon l’invention, l’utilisation du modèle d’intelligence artificielle IA mis en œuvre par le réseau de neurones 23 entrainé permet de prédire le risque d’hypoxie fœtale RSK de manière précise.
[156] Complémentairement, l’invention adresse aussi la détermination d’indicateurs IND - calculés à partir des recommandations des sociétés savantes - et permettant de mettre en avant certains aspects d’un risque d’hypoxie fœtale RSK, interprétables par les praticiens. L’objectif est ici de calculer ces métriques afin de les mettre à disposition des praticiens pour l’interprétation médicale ultérieure et la prise de décision.
[157] Ainsi, le système 1 conforme au premier aspect de l’invention met en œuvre un second modèle, en parallèle du modèle d’intelligence artificielle IA tel que décrit précédemment, le second modèle servant à calculer en temps réel les indicateurs IND à partir des données cardiotocographiques CTO.
[158] L’objectif de ce second modèle est, d’une part, de déterminer les indicateurs IND bien connus et largement utilisés par les praticiens et, d’autre part, de calculer un risque d’hypoxie fœtale RSK, sur la base de ces indicateurs IND, tout en déterminant la part de chaque indicateur IND dans le risque d’hypoxie fœtale RSK ainsi calculé.
[159] De manière particulièrement avantageuse, le modèle mis en œuvre dans le contexte de la présente invention est plus particulièrement un modèle de régression logistique 24, dans lequel le risque d’hypoxie fœtale RSK P est défini comme
Figure imgf000029_0001
[160] où :
[161] - le risque d’hypoxie fœtale RSK estimé P est un nombre réel compris entre 0 et 1 , préférentiellement exprimé sous la forme d’un pourcentage ; [162] - x1 , xn correspondent aux indicateurs IND utilisées en entrée du modèle et issues des recommandations des sociétés savantes ;
[163] - les coefficients [3 sont estimés sur la base de données i rétrospective utilisée pour entrainer le réseau de neurones 23.
[164] Par suite, une contribution Ci de chaque indicateur IND relativement au risque d’hypoxie fœtale RSK est calculée, selon la formule suivante : C£ = - — PiXi .
Lii,Pixi>o Pixi
[165] Cet indicateur IND n’est calculé et affiché que pour les variables pour lesquelles le produit ?£x£ est supérieur à 0. Ces variables sont ainsi associées à une contribution positive au risque d’hypoxie fœtale RSK. Complémentairement, la somme de toutes les contributions des indicateurs est égale à 1 .
[166] A titre d’exemple, citons un cas dans lequel le risque d’hypoxie fœtale évalué par le modèle d’intelligence artificielle vaut 70%, le risque évalué par le second modèle vaut 78%, et les contributions associées aux indicateurs, calculées comme détaillé précédemment et basées sur le second modèle statistique, sont positives et valent respectivement 31 % et 69% pour le nombre d’accélérations et le nombre de décélérations. Le système affichera alors 3 valeurs : le risque issu du modèle d’intelligence artificielle (70%), et les deux contributions du nombre d’accélérations et de décélérations (31 % et 69%).
[167] De manière avantageuse, les risques estimés par les deux modèles sont généralement suffisamment proches pour que les contributions calculées à partir du second modèle puissent être utilisées avec confiance avec le risque calculé par le modèle d’intelligence artificielle.
[168] En référence à la FIGURE 3, les performances du système 1 conforme à l’invention sont présentées par l’intermédiaire d’une courbe caractéristique de performance d’un test (courbe dite ROC, acronyme anglais pour « Receiver Operating Characteristic >>), ici celui de risque d’hypoxie fœtale RSK. Plus particulièrement, la FIGURE 3 illustre une évaluation des performances de la mesure du risque d’hypoxie fœtale RSK prédit par le système 1 selon l’invention et en comparaison aux diagnostics réalisés - dans des circonstances comparables, c’est-à-dire sur des ensembles de données cardiotocographiques CTO proches ou analogues - par les praticiens pour l’évaluation du même risque d’hypoxie fœtale RSK.
[169] Le graphique illustré sur la FIGURE 3 représente :
[170] - en ordonnées le taux de vrais positifs, c’est-à-dire la proportion des situations d’hypoxie fœtale correctement détectées par le système 1 selon l’invention ; et
[171] - en abscisses le taux de faux positifs, c’est-à-dire la proportion des situations sans hypoxie fœtale pour lesquelles le système 1 selon l’invention avait prédit une hypoxie fœtale.
[172] Sur le graphique illustré sur la FIGURE 3, chaque point de la courbe correspond à une quantification du risque d’hypoxie fœtale RSK déterminée par le système 1 selon l’invention.
[173] Comme visible sur le graphique illustré sur la FIGURE 3, l’évaluation du système 1 selon l’invention est réalisée via une base de données de référence comportant, pour 552 cas cliniques, les données cardiotocographiques CTO, l’issue fœtale permettant d’évaluer une situation d’hypoxie fœtale, définie par la condition (pH < 7.15) et le diagnostic finalement donné par des obstétriciens qui ont indiqué, pour chaque cas, si, selon eux, une situation d’hypoxie fœtale allait se présenter lors de l’accouchement. L’évaluation des annotations données par chaque obstétricien est représentée par une croix.
[174] Sur la FIGURE 3, on constate que le système 1 conforme au premier aspect de l’invention produit des performances perçues comme ayant une fiabilité et une justesse du risque d’hypoxie fœtale RSK prédit supérieures aux diagnostics des praticiens eux-mêmes.
[175] La FIGURE 4 montre la performance de différents modèles sur une base de données contenant 18961 cas. Le modèle 1 est une régression logistique utilisant les indicateurs IND, et peut être assimilé au second modèle sur lequel se base le calcul des contributions des indicateurs. Le modèle 2 est un réseau de neurones similaire à celui du système 1 , appris uniquement en utilisant les données annotées, Le modèle 3 est un réseau de neurones appris sur les données annotées et non annotées tel que décrit précédemment. Plus précisément, le modèle est appris en utilisant environ 580000 données non annotées (pour 18961 cas annotés). Le modèle 4 inclut également les données cliniques. La performance est évaluée en utilisant plusieurs métriques : l’AUC (Area Under the ROC Curve, ou aire sous la courbe ROC), la sensibilité à spécificité fixée (90% ou 95%), et la spécificité à sensibilité fixée (90% ou 95%). La FIGURE 4 illustre l’amélioration significative de la performance du modèle en y ajoutant les données non annotées (modèle 3) selon l’invention et en y ajoutant les données cliniques (modèle 4) selon l’invention.
[176] La FIGURE 5 illustre l’amélioration de la performance du modèle, en fonction du nombre de données non annotées utilisées dans l’apprentissage des blocs de traitement des données cardiotocographiques, avec le même nombre de données annotées à chaque fois constant. Cette figure illustre l’apport des données non annotées.
[177] La FIGURE 6 compare les 3 méthodes décrites d’apprentissage semi- supervisé, en utilisant l’intégralité des données annotées et 500000 données non annotées, illustrant l’efficacité des 3 méthodes et la supériorité de l’approche consistant à prédire les indicateurs IND à partir des données cardiotocographiques prétraitées.
[178] Les FIGURES 7, 8 et 9 illustrent plusieurs mesures et évaluations en temps réel du risque d’hypoxie fœtale RSK, telles que réalisées par le système 1 selon l’invention tel que décrit précédemment :
[179] - la FIGURE 7 illustre une première situation dans laquelle le risque d’hypoxie fœtale RSK calculé par le modèle d’intelligence artificielle IA est plutôt faible, égal à 25 % dans laquelle aucun indicateur IND n’a une contribution positive au risque d’hypoxie fœtale ;
[180] - la FIGURE 8 illustre une deuxième situation dans laquelle le risque d’hypoxie fœtale RSK calculé par le modèle d’intelligence artificielle IA est modéré, égal à 46 %. Le nombre de décélérations du rythme cardiaque fœtal identifié sur les données cardiotocographiques CTO explique 72% du risque estimé, tandis que les 28% restants sont expliqués par une ligne de base anormalement élevée ;
[181] - la FIGURE 9 illustre une troisième situation dans laquelle le risque d’hypoxie fœtale RSK calculé par le modèle d’intelligence artificielle IA est élevé, égal à 87 %. Le risque est expliqué par une ligne de base anormalement élevée par moments (56%), anormalement faible à d’autres moments (33%), et dans une moindre mesure par un nombre élevé d’accélérations (9%) et une décélération prolongée (2%).
[182] En synthèse, l’invention concerne un système 1 permettant de proposer une méthode d’analyse automatisée des données cardiotocographiques CTO et des données cliniques DCL afin de mesurer un risque d’hypoxie fœtale RSK, compris entre 0% pour une absence de risque et 100% pour une hypoxie fœtale avérée. Le système 1 selon l’invention permet, via le modèle d’intelligence artificielle IA mis en œuvre par le réseau de neurones 23 et via le modèle de régression mathématique, de déterminer les contributions CTR de différents indicateurs IND interprétables par des praticiens à ce risque. Les modèles d’évaluation du risque d’hypoxie fœtale RSK, déterminé via un réseau de neurones 23, et des contributions CTR des différents indicateurs IND dans le risque d’hypoxie fœtale RSK, déterminés par régression logistique 24, sont entraînés sur une base de données rétrospectives.
[183] Bien sûr, l’invention n’est pas limitée aux exemples qui viennent d’être décrits et de nombreux aménagements peuvent être apportés à ces exemples sans sortir du cadre de l’invention. Notamment, les différentes caractéristiques, formes, variantes et modes de réalisation de l’invention peuvent être associées les unes avec les autres selon diverses combinaisons dans la mesure où elles ne sont pas incompatibles ou exclusives les unes des autres. En particulier toutes les variantes et modes de réalisation décrits précédemment sont combinables entre eux

Claims

Revendications
[Revendication 1] Système (1 ) d’évaluation d’une situation d’une femme enceinte (FE) donnée pouvant entrainer une hypoxie fœtale, le système (1 ) comportant :
- un capteur de contractions utérines (11 ) configuré pour mesurer une intensité des contractions utérines chez la femme enceinte (FE) donnée ;
- un capteur de rythme cardiaque (12) configuré pour mesurer un rythme cardiaque fœtal d’au moins un fœtus (FO) porté par la femme enceinte (FE) donnée, le rythme cardiaque fœtal mesuré et l’intensité des contractions utérines formant les données cardiotocographiques (CTO) ;
- une unité de stockage (14) d’un modèle d’intelligence artificielle (IA) entraîné utilisant un réseau neuronal, reliée à une unité de calcul et d’affichage (13) elle-même reliée aux capteurs (11 , 12),
-l’unité de calcul et d’affichage (13) étant configurée pour permettre, ultérieurement à l’apprentissage du modèle d’intelligence artificielle (IA) :
- le prétraitement des données cardiotocographiques (CTO) de la femme enceinte (FE) donnée ;
- le calcul d’un risque d’hypoxie fœtale (RSK) à plusieurs instants et à partir des données cardiotocographiques (CTO) traitées et mesurées à plusieurs instants, à partir du modèle d’intelligence artificielle (IA) entraîné, dans lequel le modèle d’intelligence artificielle (IA) est un réseau de neurones (23) ayant été entraîné en apprentissage semi-supervisé à partir:
- d’une première base de données non annotées regroupant uniquement des premières données cardiotocographiques (CTO) d’entrainement prétraitées et obtenues pour des femmes enceintes, sans données de l’issue fœtale associée à ces données cardiotocographiques (CTO) d’entraînement ; et, ensuite
- d’une seconde base de données annotées dite « avec issue fœtale >> regroupant : des secondes données cardiotocographiques (CTO) d’entrainement prétraitées et obtenues pour ces femmes enceintes, et des données d’issue fœtale permettant d’évaluer une hypoxie fœtale à la naissance associée à ces secondes données cardiotocographiques (CTO) d’entrainement.
[Revendication 2] Système (1 ) selon la revendication 1 , dans lequel les données cardiotocographiques non annotées proviennent: d’enregistrements durant le travail, quel que soit le nombre d’heures avant l’accouchement, et/ou d’enregistrements de suivi de grossesse.
[Revendication 3] Système (1 ) selon l’une des revendications 1 à 2, dans lequel les blocs de traitement des données cardiotocographiques (CTO) du réseau de neurones (23) sont entraînés avec les données cardiotocographiques (CTO) d’entrainement de la première base de données non annotées, de façon à reproduire des indicateurs (IND) caractérisant l’évolution des rythmes cardiaques des fœtus (FO), ces indicateurs (IND) étant calculés par ailleurs à partir des données cardiotocographiques de la première base de données (CTO) d’entraînement.
[Revendication 4] Système (1 ) selon l’une des revendications 1 à 2, dans lequel les blocs de traitement des données cardiotocographiques (CTO) du réseau de neurones (23) sont entraînés avec les données cardiotocographiques (CTO) d’entrainement de la première base de données non annotées, de façon à reproduire les données cardiotocographiques de la première bases de données (CTO) d’entrainement.
[Revendication 5] Système (1 ) selon l’une des revendications 1 à 2, dans lequel les blocs de traitement des données cardiotocographiques (CTO) du réseau de neurones (23) sont entraînés avec les données cardiotocographiques (CTO) d’entrainement de la première base de données non annotées, de façon à reproduire à partir d’une partie du signal d’entrée constitué par une partie des données cardiotocographiques de la première base de données (CTO) d’entraînement prétraitées, une partie du signal d’entrée masquée constituée des données cardiotocographiques de la première base de données (CTO).
[Revendication 6] Système (1 ) selon l’une des revendications 3 à 5, dans lequel les indicateurs (IND) sont choisis parmi la liste suivante :
- une ligne de base, calculée comme une moyenne glissante du rythme cardiaque fœtal, hors périodes d’accélération et de décélération ;
- une durée et un nombre d’événements cardiaques critiques du type d’une accélération, chaque événement cardiaque critique de type accélération étant déterminé par un rythme cardiaque fœtal supérieur à une plage nominale de rythme cardiaque définie autour de la ligne de base ;
- une durée et un nombre d’événements cardiaques critique du type d’une décélération, chaque événement cardiaque critique de type décélération étant déterminé par un rythme cardiaque fœtal inférieur à la plage nominale de rythme cardiaque définie autour de la ligne de base ;
- une variabilité du rythme cardiaque fœtal, définie comme la dérivée du rythme cardiaque fœtal à différentes échelles de temps.
[Revendication 7] Système (1 ) selon l’une des revendications 1 à 6, dans lequel la seconde base de données présente des données cliniques maternelles et/ou fœtales d’entrainement, en plus des secondes données cardiotocographiques (CTO) d’entrainement prétraitées et des données d’issue fœtale, et dans lequel l’unité de calcul et d’affichage (13) étant configurée pour permettre, ultérieurement à l’apprentissage du modèle d’intelligence artificielle (IA) avec les données cliniques:
- la saisie ou l’enregistrement des données cliniques (DCL) maternelles et/ou fœtales de la femme enceinte (FE) donnée, les données cliniques (DCL) étant prises en compte par l’unité de calcul ;
- le calcul d’un risque d’hypoxie fœtale (RSK) à plusieurs instants et à partir des données cardiotocographiques (CTO) traitées et mesurées à plusieurs instants, et des données cliniques (DCL) de la femme enceinte (FE) donnée, à partir du modèle d’intelligence artificielle (IA) entraîné.
[Revendication 8] Système (1 ) selon la revendication 7, dans lequel les données cliniques (DCL) maternelles et/ou fœtales d’entraînement de la femme enceinte (FE) donnée et des femmes enceintes pour l’entrainement, sont choisies parmi la liste suivante :
- des données maternelles relatives aux femmes enceintes comportant notamment un âge ; et/ou
- des données fœtales relatives aux fœtus (FO) comportant notamment : un âge gestationnel et/ou une estimation d’un poids fœtal.
[Revendication 9] Système (1 ) selon l’une des revendications 7 à 8, dans lequel les données cliniques (DCL) maternelles et/ou fœtales sont choisies parmi la liste suivante : - des données maternelles relative aux femmes enceintes, comportant notamment : un indice de masse corporelle, une parité, un identifiant de grossesse singleton ou gémellaire ; et/ou
- des données fœtales relatives au fœtus (FO), comportant notamment un sexe; et/ou
- des données d’accouchement comportant notamment : une suspicion d’infection intra-utérine par une mesure de la température de la femme enceinte, une présence d’une pathologie vasculaire telle que par exemple une hypertension gravidique, une pré éclampsie, une présence de diabète gestationnel, une mesure de dilatation du col de l’utérus.
[Revendication 10] Système (1 ) selon l’une des revendications 1 à 9, dans lequel :
- le réseau de neurones (23) est entrainé avec la première base de données non annotées pour obtenir un encodeur présentant des blocs , permettant d’obtenir des vecteurs colonne de taille M à partir des vecteurs de dimensions (N, 2), de préférence avec N/M supérieur ou égal à 10 ;
- puis le réseau de neurones (23) est entrainé avec :
- les blocs fixés de l’encodeur, appliqués aux deuxièmes données de cardiotocographie de la deuxième base de données qui sont des vecteurs de taille (N, 2) et avec les données de l’issue fœtale , pour obtenir des vecteurs colonnes de taille M, de préférence avec N/M supérieur ou égal à 10 ;
-et avantageusement les vecteurs colonnes de taille M sont concaténés avec des vecteurs colonnes de taille C comprenant les données cliniques (DCL).
[Revendication 11] Système (1 ) selon l’une des revendications précédentes 3 à 10, dans lequel l’unité de calcul et d’affichage (13) est configurée pour, à la fréquence d’affichage donnée :
- calculer, par application d’un modèle de régression mathématique, un risque d’hypoxie fœtale (RSK P) statistique de la femme donnée ; et
- calculer une contribution de cette série d’indicateurs (IND) au risque d’hypoxie fœtale (RSK P) statistique, et afficher simultanément le risque d’hypoxie fœtale (RSK) calculé par intelligence artificielle et la contribution de ces indicateurs (IND) au risque d’hypoxie fœtale (RSK P) statistique, dans lequel le modèle de régression mathématique est du type permettant de déterminer un coefficient de pondération pour chaque paramètre intervenant dans le calcul des indicateurs (IND) et/ou du risque d’hypoxie fœtale (RSK).
[Revendication 12] Système selon la revendication précédente, dans lequel le modèle de régression mathématique est un modèle de régression logistique 24, dans lequel le risque d’hypoxie fœtale RSK P est défini comme
Figure imgf000038_0001
où :
- le risque d’hypoxie fœtale RSK estimé P est un nombre réel compris entre 0 et 1 , préférentiellement exprimé sous la forme d’un pourcentage ;
- x1 , ..., xn correspondent aux indicateurs IND caractérisant l’évolution des rythmes cardiaques des fœtus (FO),
- les coefficients [3 sont estimés sur la base de données i utilisée pour entrainer le réseau de neurones (23).
[Revendication 13] Système (1 ) selon l’une quelconque des revendications précédentes, dans lequel le modèle d’intelligence artificielle est entrainé à partir d’au moins une des données suivantes représentative de l’issue fœtale :
- une mesure d’un pH au niveau d’un cordon ombilical du fœtus (FO), une valeur de pH inférieure à 7.15 qualifiant une hypoxie fœtale modérée ou sévère, et une valeur de pH inférieure à 7.05 qualifiant une hypoxie fœtale sévère ; et/ou
- des mesures de gazométrie sur le cordon ombilical, en vue par exemple de mettre en évident une concentration de base supérieure à 12 mmol/L ou une concentration de lactates supérieure à 6 mmol/L ; et/ou
- un score d’Apgar; et/ou
- une hospitalisation éventuelle du fœtus (FO) en soins intensifs pour suspicion d’hypoxie fœtale.
[Revendication 14] Système (1 ) selon l’une quelconque des revendications précédentes, dans lequel le modèle d’intelligence artificielle (IA) est entraîné à partir d’enregistrements de cardiotocographie de femmes enceintes comportant :
- une première base de données non annotées, comprenant les enregistrements situés avant l’accouchement des femmes enceintes ;
- une seconde base de données annotées dite « avec issue fœtale >>, comportant des enregistrements situés au-plus à 40 minutes, avantageusement au plus à 30 minutes, de la naissance du fœtus (FO) porté par ces femmes enceintes et annotées avec les données de l’issue fœtale ; et avantageusement des données cliniques (DCL) maternelles et/ou fœtales de ces femmes dont on connait l’ issue fœtale de leur accouchement.
[Revendication 15] Système (1 ) selon l’une quelconque des revendications précédentes, dans lequel le système comporte des moyens de communications entre, d’une part, le capteur de contractions utérines (11 ) et le capteur de rythme cardiaque (12) et, d’autre part, l’unité de calcul et d’affichage (13), de façon à ce que le système (1 ) puisse être utilisé en ambulatoire ou à domicile, le calcul et/ou l’affichage du risque d’hypoxie fœtale (RSK) étant destiné à être suivi à distance par un praticien.
[Revendication 16] Système (1 ) selon l’une quelconque des revendications précédentes, dans lequel les blocs de traitement des données cardiotocographiques sont un réseau de neurones convolutionnel ou un transformer basé sur le mécanisme d’attention, ou un réseau récurrent, par exemple de type LSTM.
[Revendication 17] Système (1 ) selon l’une quelconque des revendications précédentes, dans lequel le modèle d’intelligence artificielle (IA) est un réseau de neurones (23) ayant été entraîné en apprentissage semi-supervisé avec en entrée en plus des données cardiotocographiques (CTO) d’entrainement, les indicateurs calculés à partir de celles-ci.
PCT/FR2023/000129 2022-07-23 2023-07-06 Système et procédé de détermination d'un risque d'hypoxie foetale WO2024023398A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2207583 2022-07-23
FRFR2207583 2022-07-23

Publications (1)

Publication Number Publication Date
WO2024023398A1 true WO2024023398A1 (fr) 2024-02-01

Family

ID=84370508

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2023/000129 WO2024023398A1 (fr) 2022-07-23 2023-07-06 Système et procédé de détermination d'un risque d'hypoxie foetale

Country Status (1)

Country Link
WO (1) WO2024023398A1 (fr)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6024701A (en) * 1998-08-27 2000-02-15 T.A.O. Medical Technologies Ltd. Method of and system for estimating placenta and fetus well being using system identification techniques
US20160270658A1 (en) * 2015-03-19 2016-09-22 Stewart Bruce Ater Digital electronic fetal heart rate and uterine contraction monitoring system
WO2018160446A1 (fr) * 2017-02-28 2018-09-07 Mayo Foundation For Medical Education And Research Systèmes et procédés de surveillance fœtale
CN114159039A (zh) 2021-11-12 2022-03-11 广州三瑞医疗器械有限公司 一种智能产前胎心监护模型
US20220175324A1 (en) * 2020-12-09 2022-06-09 Marani Health, Inc. Computer-based prediction of fetal and maternal outcomes

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6024701A (en) * 1998-08-27 2000-02-15 T.A.O. Medical Technologies Ltd. Method of and system for estimating placenta and fetus well being using system identification techniques
US20160270658A1 (en) * 2015-03-19 2016-09-22 Stewart Bruce Ater Digital electronic fetal heart rate and uterine contraction monitoring system
WO2018160446A1 (fr) * 2017-02-28 2018-09-07 Mayo Foundation For Medical Education And Research Systèmes et procédés de surveillance fœtale
US20220175324A1 (en) * 2020-12-09 2022-06-09 Marani Health, Inc. Computer-based prediction of fetal and maternal outcomes
CN114159039A (zh) 2021-11-12 2022-03-11 广州三瑞医疗器械有限公司 一种智能产前胎心监护模型

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BARROIS M ET AL: "Intérêt et faisabilité du Doppler cérébral en cours de travail pour prédire une acidose néonatale", GYNECOLOGIE OBSTETRIQUE & FERTILITE, ELSEVIER MASSON, FR, vol. 44, no. 9, 24 August 2016 (2016-08-24), pages 475 - 479, XP029726950, ISSN: 1297-9589, DOI: 10.1016/J.GYOBFE.2016.07.001 *
PETROZZIELLO ALESSIO ET AL: "Multimodal Convolutional Neural Networks to Detect Fetal Compromise During Labor and Delivery", IEEE ACCESS, vol. 7, 5 August 2019 (2019-08-05), pages 112026 - 112036, XP011741574, DOI: 10.1109/ACCESS.2019.2933368 *
ZHAO ZHIDONG ET AL: "Computer-Aided Diagnosis System of Fetal Hypoxia Incorporating Recurrence Plot With Convolutional Neural Network", FRONTIERS IN PHYSIOLOGY, vol. 10, 12 March 2019 (2019-03-12), CH, XP093029496, ISSN: 1664-042X, DOI: 10.3389/fphys.2019.00255 *

Similar Documents

Publication Publication Date Title
EP1898783B1 (fr) Systeme et procede d&#39;analyse electrophysiologique
JP3927400B2 (ja) 動作しているシステムの正常性を監視する方法およびシステムの正常性をシステム間で比較する方法
EP0438945A1 (fr) Procédé et appareil de traitement de signal électro-encéphalographique
CN113671917B (zh) 针对多模态工业过程异常状态的检测方法、系统、设备
EP3972522A1 (fr) Procede de generation d&#39;un modele d&#39;une arcade dentaire
FR3070590B1 (fr) Methode d&#39;evaluation de maturation d&#39;un bebe premature et systeme associe
FR3018118A1 (fr) Procede de test d&#39;un systeme electronique
WO2005107584A1 (fr) Procede d’obtention de parametres hemodynamiques derives d’un signal de pression arterielle
FR2964223A1 (fr) Procede de configuration d&#39;un dispositif de detection a capteur, programme d&#39;ordinateur et dispositif adaptatif correspondants
WO2024023398A1 (fr) Système et procédé de détermination d&#39;un risque d&#39;hypoxie foetale
WO2020011988A1 (fr) Systeme et procede de generation d&#39;une liste de probabilites associee a une liste de maladies, produit programme d&#39;ordinateur
EP2638492A1 (fr) Dispositif de détection à capteur, procédé de détection et programme d&#39;ordinateur correspondants
EP3320462B1 (fr) Procede d&#39;aide au diagnostic medical
CN115831352B (zh) 一种基于动态纹理特征和时间分片权重网络的检测方法
EP3973503A1 (fr) Procede, dispositif et support lisible par ordinateur pour detecter automatiquement une stenose coronarienne hemodynamiquement significative
FR3109455A1 (fr) Détermination d’états de santé de systèmes équipés de capteurs
WO2021259958A1 (fr) Procede de determination de la pression arterielle a partir d&#39;un signal ppg et dispositif correspondant
FR3056328A1 (fr) Systeme de traitement de donnees pour predire une hospitalisation ou une re-hospitalisation d’un patient atteint d’une maladie respiratoire chronique
US20230005139A1 (en) Fibrotic Cap Detection In Medical Images
JP7474841B2 (ja) 信頼性の高い血圧測定の検出
US20230104299A1 (en) Computational approaches to assessing central nervous system functionality using a digital tablet and stylus
EP3030138B1 (fr) Solution intégrée de suivi et de surveillance en temps réel de l&#39;état pathologique d&#39;un patient cérébro-lésé
WO2024068953A1 (fr) Système de télésurveillance d&#39;un individu potentiellement âgé dans un environnement quotidien
EP3234830A1 (fr) Procédé et dispositif de surveillance d&#39;un processus générateur de données, par confrontation à des règles temporelles prédictives et modifiables
EP4303775A1 (fr) Procédé et dispositif de détection d&#39;anomalie et de détermination d&#39;explication associée dans des séries temporelles de données

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23750645

Country of ref document: EP

Kind code of ref document: A1