The use of artificial intelligence and machine learning methods in first trimester pre-eclampsia screening: a systematic review protocol

Hedley, Paula L.; Hagen, Christian Munch; Wilstrup, Casper; Christiansen, Michael

doi:10.1101/2022.07.20.22277873

Cited by 3 publications

(1 citation statement)

References 30 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…(13) La inteligencia artificial (IA) se utiliza ampliamente en el campo médico y el aprendizaje automático, y tiene el potencial de revolucionar la atención médica, tanto en población general como en embarazadas, (14) ya que podría proporcionar diagnósticos más precoces y precisos, aliviar la carga de trabajo de los médicos, reducir costos y proporcionar análisis de referencia para poder ser interpretados por los diferentes especialistas actuantes durante el embarazo. (15,16) La IA con machine learning (ML) podría proporcionar la clave para desbloquear el potencial de la evaluación con CGI y velocidad de onda del pulso carotídeo femoral (VOPcf) en el embarazo, (17) y permitiría agregar marcadores hemodinámicos no invasivos, más allá del índice cardíaco (IC) y de la RP en la hemodinamia gestacional como clásicamente se ha descripto. Esto puede proporcionar información adicional relevante para los resultados al principio del embarazo y también puede usarse como instrumento predictivo de enfermedades asociadas y generar un algoritmo de predicción de PE clínicamente relevante que tenga implicancia en optimizar al inicio la indicación de AAS.…”

Section: Introductionunclassified

Desarrollo de un modelo por inteligencia artificial con hemodinamia no invasiva para predecir preeclampsia en embarazos de alto riesgo

Olano,

Espeche,

Leiva Sisnieguez

et al. 2023

Rev Argent Cardiol

View full text Add to dashboard Cite

Introducción: la preeclampsia (PE) es la principal causa de morbimortalidad materno-fetal en nuestro país. Alteraciones hemodinámicas precoces durante el embarazo podrían predecir la evolución a PE. El machine learning (ML) permite el hallazgo de patrones ocultos que podrían detectar precozmente el desarrollo de PE. Objetivo: desarrollar un árbol de clasificación con variables de hemodinamia no invasiva para predecir precozmente desarrollo de PE. Material y métodos: estudio observacional prospectivo con embarazadas de alto riesgo (n=1155) derivadas del servicio de Obstetricia desde enero 2016 a octubre 2022 para el muestreo de entrenamiento por ML con árbol de clasificación j48. Se seleccionaron 112 embarazadas entre semanas 10 a 16, sin tratamiento farmacológico y que completaron el seguimiento con el término de su embarazo con evento final combinado (PE): preeclampsia, eclampsia y síndrome HELLP. Se evaluaron simultáneamente con cardiografía de impedancia y velocidad de onda del pulso y con monitoreo ambulatorio de presión arterial de 24 hs (MAPA). Resultados: presentaron PE 17 pacientes (15,18%). Se generó un árbol de clasificación predictivo con las siguientes variables: índice de complacencia arterial (ICA), índice cardíaco (IC), índice de trabajo sistólico (ITS), cociente de tiempos eyectivos (CTE), índice de Heather (IH). Se clasificaron correctamente el 93,75%; coeficiente Kappa 0,70, valor predictivo positivo (VPP) 0,94 y negativo (VPN) 0,35. Precisión 0,94, área bajo la curva ROC 0,93. Conclusión: las variables ICA, IC, ITS, CTE e IH predijeron en nuestra muestra el desarrollo de PE con excelente discriminación y precisión, de forma precoz, no invasiva, segura y con bajo costo.

show abstract

Section: Introductionunclassified

Desarrollo de un modelo por inteligencia artificial con hemodinamia no invasiva para predecir preeclampsia en embarazos de alto riesgo

Olano,

Espeche,

Leiva Sisnieguez

et al. 2023

Rev Argent Cardiol

View full text Add to dashboard Cite

show abstract

Predicting Preeclampsia Using Principal Component Analysis and Decision Tree Classifier

Prasad

Musa

2023

CWHR

View full text Add to dashboard Cite

Background: Preeclampsia affects pregnant women, resulting in stroke, organ failure, and other health problems like seizures. The effect of preeclampsia is most pronounced in developing countries and it affects about 4% of pregnant women causing several illnesses and even death. The key to solving the problem of preeclampsia is its early detection and use of machine learning algorithms that can take various demographic features, biochemical markers, or biophysical features, select important features and find hidden patterns that point to preeclampsia. Objective: The objective of this research is to develop a machine-learning framework to detect Preeclampsia in pregnant women. Method: This research develops a model to detect preeclampsia using principal component analysis (PCA) as a feature selection, k-means as an outlier detection, a combination of SMOTE oversampling, random under sampling and the decision tree (DT) to classify and predict the risk of preeclampsia among pregnant women. The data was obtained from the University of Abuja Teaching Hospital, Abuja, Nigeria. Result: Findings revealed that the combination of the PCA, SMOTE and random undersampling and DT outcome resulted in the best accuracy of 96.8% which is better than the accuracy of existing work (92.1%). Furthermore, the reliability of the model was measured and tested using Bayesian Probability. Conclusion: The developed model can be helpful to Health care providers in checking preeclampsia among women with high blood pressure during their second antenatal visits.

show abstract

Prediction of Baby Movement During Pregnancy Using Back Propagation and ID3

Alikkal,

Sujina

2023

Predicting Pregnancy Complications Through Artificial Intelligence and Machine Learning

View full text Add to dashboard Cite

The back propagation algorithm can be used to predict baby movement during pregnancy. This algorithm works by using a feed-forward neural network to identify patterns in the data that represent the baby's movements. It then uses back propagation to adjust the weights of the neural network to accurately predict the future movements. The ID3 algorithm can also be used to predict baby movement during pregnancy. This algorithm works by using a decision tree to identify patterns in the data that represent the baby's movements. It then uses the ID3 algorithm to identify the best decision at each node and to create a decision tree that can accurately predict the future movements. AI and machine learning can be used to monitor a fetus's vital signs in a number of ways. Back propagation and ID3 algorithms were used to detect any abnormality in the heartbeat, breathing patterns, or other physiological changes and used to track fetal movements, such as kicks and hiccups, as well as any changes in fetal position. Finally, AI and machine learning can be used to predict when a baby is ready to be born.

show abstract

The use of artificial intelligence and machine learning methods in first trimester pre-eclampsia screening: a systematic review protocol

Cited by 3 publications

References 30 publications

Desarrollo de un modelo por inteligencia artificial con hemodinamia no invasiva para predecir preeclampsia en embarazos de alto riesgo

Desarrollo de un modelo por inteligencia artificial con hemodinamia no invasiva para predecir preeclampsia en embarazos de alto riesgo

Predicting Preeclampsia Using Principal Component Analysis and Decision Tree Classifier

Prediction of Baby Movement During Pregnancy Using Back Propagation and ID3

Contact Info

Product

Resources

About