Selbstlernende KI verbessert Fetalstressvorhersage bei CTG-Analyse

In der Geburtshilfe wird die Intrapartum-Kardiotokographie (CTG) zur Überwachung des Fötus eingesetzt, doch ihre Interpretation leidet unter hoher Beobachtervariabilität und begrenzter Vorhersagegenauigkeit. Ein neues Forschungsprojekt hat dieses Problem mit einer selbstlernenden KI angegangen.

Die Forscher nutzten 2 444 Stunden unbeschrifteter CTG-Aufzeichnungen für ein Maskierungs‑Pre‑Training und trainierten anschließend ein PatchTST‑Transformer-Modell mit einem kanalspezifischen Maskierungsschema, das speziell für die Rekonstruktion der fetalen Herzfrequenz entwickelt wurde. Das Modell wurde anschließend auf dem 552‑Aufnahme‑Benchmark CTU‑UHB feinabgestimmt.

Die Ergebnisse sind beeindruckend: Auf dem gesamten Testdatensatz erreichte das Modell einen AUC‑Wert von 0,83, und bei unkomplizierten vaginalen Entbindungen lag der Wert bei 0,853 – deutlich höher als die zuvor berichteten 0,68 bis 0,75. Eine Fehleranalyse zeigte, dass die meisten falsch‑positiven Alarme mit CTG‑Mustern korrespondieren, die in der retrospektiven klinischen Bewertung als bedenklich eingestuft wurden, selbst wenn der Nabelschnur‑pH-Wert normal war.

Die Autoren stellen standardisierte Datensatz‑Schnitte und Modellgewichte frei, um reproduzierbare Benchmarking‑Tests zu ermöglichen. Diese Arbeit demonstriert, dass selbstlernendes Pre‑Training die Datenknappheit im fetalen Monitoring überwinden kann und einen vielversprechenden Weg zu zuverlässiger Entscheidungsunterstützung im Entbindungssaal eröffnet.