| Summary: | Recording of maternal uterine pressure (UP) and fetal heart rate (FHR) during labour and delivery is a procedure referred to as cardiotocography. Delay or failure to recognize abnormal patterns in these recordings can result in a failure to prevent fetal injury. Clinical interpretation has been predominantly visual, creating significant problems of intra- and inter-subject variability, as well as significant debate about its utility due to the low specificity of visual interpretation that contributes to unnecessary interventions (Cesarian sections). Taking a more automated and objective approach, we modelled the UP-FHR signal pair, for the first time, as an input-output system using a system identification approach to estimate their dynamic relation in terms of an impulse response function. We also modelled FHR baseline with a linear fit and FHR variability unrelated to UP using the power spectral density computed from an auto-regressive model. Using a perinatal database of normal and pathological cases, we trained support-vector-machine classifiers with feature sets from these models. We used the classification in a detection process. We obtained the best results with a detector that combined the decisions of classifiers using both feature sets. It detected half of the pathological cases, with very few false positives (7.5%), one hour and forty minutes before delivery. This would leave sufficient time for an appropriate clinical response. These results clearly demonstrate the utility of our method for the early detection of cases needing clinical intervention. === L'enregistrement de la pression utérine (PU) et de la fréquence cardiaque foetale (FCF) pendant le travail et l'accouchement est une procédure appelée cardiotocographie (CTG). Une reconnaissance tardive ou erronée des anomalies dans ces données peut augmenter les risques de lésions au foetus. L'analyse de ces données est principalement pratiquée visuellement; la difficulté de cette méthode, les problèmes liés aux importantes variations intra- et inter-sujets et le risque de faux positifs entrainant des interventions inutiles (césariennes) entretiennent un important débat sur l'utilité de cette technique. Par une approche plus objective et automatique, nous avons pour la première fois modélisée la pression utérine et la fréquence cardiaque en tant que système entrée-sortie utilisant une approche d'identification de système pour estimer leur relation dynamique en termes d'une fonction de réponse impulsionnelle. Nous avons également modélisé le rythme de base de la FCF à l'aide d'une régression linéaire, ainsi que la variabilité de la FCF sans lien avec la PU à l'aide de densités spectrales de puissance issues d'un modèle autorégressif. Ces modèles, appliqués à une base de données périnatale de cas normaux et pathologiques ont servi à l'apprentissage de machines à vecteurs de support (séparateurs à vaste marge) utilisées dans un processus de détection pour la classification du FCF. Les meilleurs résultats sont obtenus avec un détecteur combinant les décisions de classificateurs utilisant les deux ensembles de caractéristiques. Ils ont détectés la moitié des cas pathologiques, avec très peu de faux positifs (7.5%), une heure et quarante minutes avant l'accouchement. Cela laisserait suffisamment de temps pour une réponse médicale appropriée. Ces résultats démontrent clairement l'utilité de notre méthode pour la détection prématurée des cas nécessitant une intervention clinique.
|
|---|
