Zaloguj
Reklama

Czy sztuczna inteligencja pomoże wykryć ryzyko porodu wcześniaka?

Ból brzucha w ciąży
Fot. panthermedia
Ból brzucha w ciąży
(0)

Przedwczesny poród stwarza zagrożenie zarówno dla dziecka, jak i dla matki. Badania laboratoryjne i monitorowanie stanu zdrowia ciężarnej niejednokrotnie pozwalają na wykrycie symptomów zbliżającego się przedwczesnego porodu. Czy sztuczna inteligencja pozwoli na szybsze wykrycie problemu i reagowanie?

Reklama

Światowa Organizacja Zdrowia (WHO) alarmuje, że co roku blisko 15 milionów noworodków rodzi się przedwcześnie, tj. przed ukończeniem 37. tygodnia ciąży. Badania USG, które dzięki coraz nowszym urządzeniom są precyzyjniejsze, pozwalają przesiewowo wykrywać zagrożenia. Okazuje się, że dzięki pomysłom ginekologów i uczonych z Politechniki Warszawskiej już wkrótce sztuczna inteligencja może pomóc zapobiegać przedwczesnym porodom.

Jak wskazują członkowie zespołu zajmującego się projektem, sztuczna inteligencja może wspomóc diagnostykę komputerową, a tym samym pozwolić na dokładniejsze przewidywanie przedwczesnych porodów. W przygotowaniach do projektu wykorzystano informacje od lekarzy, którzy przedstawili „dane uczące” w formie obrysu kształtu szyjek macicy z USG i informacji, czy miał miejsce poród przedwczesny. Takie dane mają „nauczyć” sztuczną inteligencję, kiedy należy „alarmować”, że u danej pacjentki może dojść do omawianej nieprawidłowości.

Naukowcy pracują nad możliwością stworzenia aplikacji internetowej, która byłaby przydatna w codziennej pracy ginekologów. Mogliby oni analizować obrazu USG i przy tym wspierać diagnostykę przedwczesnego porodu. Projekt „Opracowanie metody predykcji spontanicznych przedwczesnych porodów na podstawie filmów ultrasonograficznych z wykorzystaniem metod uczenia maszynowego w latach 2020-2021” jest finansowany w ramach grantu Rady Dyscypliny Naukowej „Informatyka Techniczna i Telekomunikacja PW”.

Piśmiennictwo

Informacja prasowa

Źródło tekstu:

  • Włodarczyk T. et al.: Spontaneous preterm birth prediction using convolutional neural networks, https://link.springer.com/chapter/10.1007%2F978-3-030-60334-2_27.

    Włodarczyk T. et al.: Estimation of preterm birth markers with u-net segmentation network, https://link.springer.com/chapter/10.1007%2F978-3-030-32875-7_11.

Adres www źródła:

Kategorie ICD:


Reklama
(0)
Komentarze