英语轻松读发新版了,欢迎下载、更新

使用连续皮肤温度数据的深度学习模型预测分娩开始

2024-11-25 06:30:02 英文原文

作者:Erickson, Elise N.

  • 开放获取
  • 发表:
  • 2024 年 11 月 25 日

体积 24,商品编号: 第777章2024年引用这篇文章抽象的

背景

许多哺乳动物的体温变化预示着临产,但这一概念尚未在人类中得到探索。

我们调查了女性的持续体温是否表现出类似的变化,以及这些变化是否可能与荷尔蒙状态有关。最后,我们开发了一个使用温度模式的深度学习模型,以提供每日临产时间预测。

方法

我们评估了 91 年来连续皮肤温度数据的模式(n❀=❀54 次自然分娩)孕妇使用可穿戴智能戒指。在 28 例妊娠的子集中,我们检查了临产前的每日类固醇激素样本,以分析激素与体温轨迹之间的关系。最后,我们应用自动编码器长短期记忆 (AE-LSTM) 深度学习模型来提供新颖的每日临产天数估计。

结果

临产前的温度变化特征与泌尿激素和临产类型有关。与未进行自然分娩的妊娠相比,自然分娩表现出较高的雌三醇与α-孕二醇比率,以及较低的体温和更稳定的昼夜节律。训练 AE-LSTM 模型时纳入了 54 例在妊娠 34 至 42 周期间进行自然分娩的妊娠的皮肤温度数据,另外 37 例接受人工引产或剖腹产的妊娠用于进一步测试。管道的输入是从孕龄 240 天到临产之日的 5 分钟皮肤温度数据。在交叉验证期间,AE-LSTM 的平均误差(真实值与预测值)在临产前 8 天降至 2 天以下,与胎龄无关。分娩开始窗口是使用模型误差的概率分布根据 AE-LSTM 输出计算得出的。对于这些窗口,AE-LSTM 在真正临产前 7 天的 4.6 天窗口内和真正临产前 10 天的 7.4 天窗口内正确预测了 79% 的自发临产的临产开始。

结论

持续的皮肤温度反映了怀孕期间临产的进展和荷尔蒙的变化。使用连续温度的深度学习可能为妊娠护理提供具有临床价值的工具。

同行评审报告

背景

当前的临床预计分娩日期(EDD)的平均误差以周而不是天为单位来衡量[1]。“足月”妊娠的持续时间为 5 周,从 37 周到 42 周不等。尽管在开发即将临产的生物标志物方面做出了巨大努力,但没有临床工具可以提供可靠的指示来表明妊娠是否可能在此范围的较早或较晚开始。尽管使用基于多组学数据的机器学习(ML)训练方法的新工具正在出现,但早产预测仍然难以捉摸。2,3] 和心率变异性 [4]。目前使用的生物标志物是胎儿纤连蛋白的测量[5] 通过窥器检查从后穹窿拭子采集。这可以与宫颈长度的超声检查结合使用[6]。然而,胎儿纤连蛋白的阳性预测价值很差,并且仅在存在症状或危险因素的情况下才显示出来——此外还需要临床接触和内部检查的不适,这可能是及时评估的障碍。

目前,人们被要求报告临产本身的症状,这需要将模糊的不适症状与真正的临产区别开来,并产生很高的假阳性反应。7,8]。不幸的是,明显的临产晚期症状可能会在没有任何警告的情况下发生。这没有足够的时间来干预早产,可能会导致计划外的家庭分娩,或者当等待分娩的不确定性很高时(例如,住得离医院很远、出现产科并发症),会提示尽早进行引产)。有趣的是,最近开发基于宫腔电图(EHG)的模型的努力表明,在识别当前是否正在发生分娩方面具有实用性。9] 或即将发生[10,11,12],预测诱导成功[13] 或自然临产后需要增强 [14]。尽管很有前景,但这些方法要求母亲表现出子宫活动,因此无法提前预测分娩症状。在临产症状之前进行准确、非侵入性的预测,可以让临床医生和母亲在临产开始前制定护理计划,以实现最安全的分娩结果。

体温反映了雌性哺乳动物从青春期开始的生殖状态[15] 通过成年生育力 [16,17 号,18]和更年期[17 号,19],是非侵入性的,并且可以远程捕获。体温监测对人类怀孕也越来越感兴趣,[20] 因为温度变化预示着多种物种的分娩[21,22,23,24](表 1)。从历史上看,温度测量最常从“核心”进行,需要在体内进行探头。然而,皮肤表面温度通过其对体温调节和自主神经张力的影响,已成为监测女性生殖系统的实用指标。25,26,27]。人类皮肤温度已被认为在包括排卵期窗口预测在内的各种情况下有用。16,17 号,28] 到受孕[29]和发烧检测[30,31,32,33,34]。

表 1 报告的各种哺乳动物在妊娠期间在分娩开始前观察到的体温(皮肤或核心)变化

内分泌系统和外周脉管系统之间的相互作用有助于温度在生殖监测中的应用。简而言之,雌二醇促进外周血管舒张,而添加黄体酮则导致外周血管收缩。25]。因此,雌二醇可以释放体温,降低女性的核心温度和皮肤温度。36,49,50]。黄体酮,无论是否存在雌二醇,都会吸收热量并提高代谢率,从而提高核心温度和皮肤温度。17 号,18,28,51,52]。此外,最近有人假设,连接体温调节和生殖的机制可能集中起源于下丘脑和腹侧被盖区。26,49,50]。这种现象为远程监测排卵周期奠定了基础,通过温度追踪雌激素和黄体酮的产生轨迹。重要的是,不仅温度水平的变化,而且数小时和数天内温度的周期性(即生物节律)的变化都表明围排卵期和怀孕开始。17 号,53,54,55,56]。这些温度周期的变化反映了潜在生殖激素水平和模式的变化。57]。

虽然妊娠晚期的荷尔蒙模式和来源(例如胎盘)与非妊娠女性状态不同,但我们假设在分娩前也存在对体温调节的相同影响。简而言之,随着雌三醇与黄体酮比例的上升,黄体酮的影响在准备分娩时减弱,[58] 催乳素和促肾上腺皮质激素释放激素。此外,促炎性前列腺素/细胞因子上升[59,60,61] 随着积极分娩的开始,这段时间可能会导致高温,这是更广泛的无菌炎症反应的一部分[62,63,64]。鉴于这种荷尔蒙状态的复杂性,人们可能会认为黄体酮和雌三醇比例的变化会促使临产前体温下降。然而,后三个因素的变化表明临近分娩或分娩期间气温升高。尽管对激素和炎症因子产生的精确热模式缺乏明确性,但在多种哺乳动物物种中,在分娩前体温会出现粗略下降(表 1)。荷尔蒙、自主神经和免疫因素共同作用,很可能在分娩过程中以一致的方式调节体温水平和模式。

尽管这些跨生殖生命阶段和跨物种的观察结果具有可靠性,但使用体温来预测人类分娩开始尚未得到充分研究。目前,人类的分娩估计发生在从末次月经算起的人口平均 40 周(估计受孕后 38 周)左右的几周内,或者通过在妊娠前三个月进行的超声检查得出孕龄胚胎[65]。然而,目前的方法与多周的平均误差相关[66] 基于妊娠长度的自然变化、月经期报告误差以及排卵和受孕时间相对于末次月经期的变化[1]。此外,尽管尝试使用主要针对宫颈变化的临床特征和超声测量进行训练的人工智能/机器学习,但个人的妊娠时长仍无法预测。67,68,69,70]。尽管在妊娠晚期采集的荷尔蒙时间序列可能比传统方法有所改进,但它们难以收集且分析成本高昂,限制了实际应用。更合适的方法可能是构建一个模型,该模型可以检测哺乳动物分娩前已知变化的输出中的微妙模式:体温。

我们之前证明,多模式、每日标记可以区分注定要通过临床 EDD 的妊娠和较早分娩的妊娠。71]。我们的研究,出生前后的生物节律(BioBAYB);从 EDD 前妊娠晚期参与者佩戴的可穿戴设备收集低时间分辨率的每日温度通量(不连续)、活动、心脏和睡眠数据。增强型随机森林机器学习模型能够区分最终通过预产期的妊娠和在预产期之前自然分娩的妊娠。尽管这些单一的每日时间点无法生成精确的截止日期估计,但我们注意到,在验证运行中,睡眠体温偏差的趋势始终排在随机森林特征的顶部附近。该模型的准确性是通过接受者操作曲线下面积 0.71 确定的,这表示预测较长妊娠与较短妊娠结果的能力中等。由于样本主要由健康和低风险参与者的数据组成,因此我们仅限于足月妊娠预测。总之,尽管抽样存在限制,但该研究表明,与心率、心率变异性、睡眠和活动相比,温度变化的衍生指标与生成预测相关。这一发现与之前的工作一致[25,28,29,64,71]表明温度对于平行女性生殖状态具有独特的价值(例如,图1) 1),并且专门针对分娩预测应用而调整的温度指标可能更有价值。

图 1
figure 1

从怀孕前到分娩的每日手指温度样本标准化。来自代表性自然分娩母亲的标准化每日手指温度样本。黑线和点表示分娩开始。灰线和点表示从 3 个排卵周期 - 黄体期温度峰值到报告受孕,再到最终分娩的进展。x 轴上的灰色条描绘了三个月。黑色水平条表示该数据集中最终用于构建临产预测模型的数据的时间段。观察到皮肤温度在临产前约 2-3 周开始上升,并在临产前一周内逆转为较小的温度下降。经许可修改,以说明人类怀孕期间的妊娠晚期温度[29]

在本研究中,我们研究了对 91 名女性使用连续体温而非每日一次体温来预测临产的可行性。首先,每日类固醇激素用于评估妊娠晚期使用体温模式的生理基础:它们反映了激素趋势。其次,我们采用专为丰富时间序列设计的深度学习方法,利用连续体温的潜在表示来估计预产期。这些数据通过比较观察到的临产前温度变化特征与使用泌尿激素的激素轨迹变化,以及通过采用专门为时间序列设计的深度学习方法来增加基于孕龄 (GA) 的预产期,对现有工作进行了改进。

我们假设体温特征与妊娠晚期雌激素和孕激素的变化有关。这将确定温度是否可以作为临产前荷尔蒙状态的代表。我们还估计,与其他物种相比,随着临产的临近,温度将会降低,其生物节律的幅度和稳定性也会降低。如果出现这些模式,我们假设使用源自连续皮肤温度的特征的自动编码器长短期记忆 (AE-LSTM) 模型将比当前的临床 EDD 产生更高的准确性。最后,我们预计对于引产或剖腹产(或外源性影响而不是生理性妊娠结束)的参与者来说,温度特征的效用将会降低。

方法

实验设计

道德认可

原始研究的方案得到了俄勒冈健康与科学大学机构审查委员会的批准,并进一步通过与亚利桑那大学签订的数据使用协议来分析先前收集的去识别化数据集。

抽样方法及报名

参与者是从妇产诊所以及国家社交媒体广告中招募的,并在书面知情同意后登记。纳入仅限于能够以英语提供书面同意且妊娠总体健康的成年人(目前没有高血压或妊娠糖尿病且孕前体重指数低于 40 kg/m)2)并期待阴道分娩。那些已经计划在小于 41 周时进行引产、患有排卵功能障碍、甲状腺疾病不受控制或使用体外受精的人,以及那些上夜班或轮班的人被排除在外。第二组参与者的招募标准与上述相同,但也有早产的危险因素(例如多胎妊娠、自发性早产史)。

学习程序

参与者使用戒指制造商(芬兰奥卢 Ouraring Inc.)提供的戒指尺寸套件来调整戒指尺寸,并被指示在怀孕的剩余时间内尽可能连续佩戴戒指,无论哪只手指达到了戒指的尺寸。最适合非惯用手。REDCap 调查用于收集自我报告的妊娠症状、临床评估数据、分娩和出生事件以及之前报告的心理测量工具。71]。

温度数据采集

Ouraring 是一款戴在手指上的商业健康追踪设备。Gen2 Ouraring 配备温度(源自 3 个热敏电阻的负温度系数 (NTC))、3-D 加速度计和红外光电体积描记法 (PPG) 传感器,用于测量生理信号,例如心率 (HR)、心率变异性 (HRV))、每分钟手指温度、呼吸和运动。传感器安装在手指手掌侧环的内部。数据通过蓝牙从指环传输到用户的手机,然后从手机上传到云端。近乎连续的数据收集(我们使用分辨率为每 5 分钟一个点的初始输入数据)为每个用户建立个性化的生物识别基线。通过肱动脉分支收集的连续手指温度数据是本研究的独家主题。先前已报告过基于设备收集的其他输出的结果[71]。数据如图所示 1是从睡眠的最初几个小时开始的平均体温,按照之前描述的个人前三周的数据进行标准化[29]。

数据采集​​管道

在参与者交付报告后,数据通过研究机构从云端下载到安全的云存储中。补充图 1 概述了我们的数据摄取和存储架构。数据通过 SQL 查询提供,并通过 SensorFabric Python 库(由亚利桑那大学传感器分析核心创建 [72])。

临产前温度-激素关系的验证

参与者自行采集尿液样本

从妊娠 38 周开始,整个队列中的 30 名参与者每天早上都会在家中的塑料盆中自行收集第一次晨尿样本。将干尿综合激素测试 (DUTCH)(Precision Analytical Inc.,麦克明维尔,俄勒冈州)试纸条(2×3×3 尺寸的 Whatman 体液收集纸)浸入尿液中并使其完全干燥24 小时,然后放入收集袋中存放在家用冰箱中。参与者的目标是从 38 周直至临产开始每天都进行采样。我们分析了每位参与者在临产前的 10 个样本(如有)。每个样本均进行以下检测:雌酮 (E1)、雌二醇 (E2)、雌三醇 (E3)、α- 和 β- 孕二醇(αPg 和 βPg;尿液中发现的主要孕酮代谢物)、皮质醇和褪黑激素。

激素测定

正如之前报道的那样,[17 号,73] 雌激素、βPg 和βPg、皮质醇和褪黑激素的分析采用 DUTCH test 的专有内部检测方法,在 Agilent 7890/7000B 气相色谱-质谱联用仪 (GC-MS/MS)(安捷伦科技公司,圣克拉拉)上进行分析。,加利福尼亚州,美国)。使用醋酸盐缓冲液从滤纸中提取相当于约 600 μl 的尿液,并水解成游离形式,据报道回收率>-90%。使用传统比色(Jaffe)测定法重复测量肌酐。在注射 (GC-MS/MS) 和分析之前,提取结合激素(C18 固相萃取)、Helix pomatia 水解并衍生化。E2 的平均测定间变异系数为 7.4%,αPg 为 14.9%,βPg 为 13.6%。E2 的平均测定内变异系数为 7%,αPg 为 12%,βPg 为 12%。所用测定的灵敏度如下:E2 和 αPg,0.2 ng/mL;βPg,10 ng/mL。根据预期浓度范围和对照的标准曲线检查样品,并将结果进一步标准化为样品中的肌酐。

生物节律分析

使用小波变换评估皮肤温度昼夜节律功率(23-25 小时范围内每分钟的平均功率)的潜在变化。小波变换,特别是莫尔斯小波,已被广泛用于评估体温和活动的多时间尺度节律模式。它的优势在于能够跨多个时间尺度捕捉具有灵活周期性的非平稳生物节律,提供卓越的时间频率定位。32,66,67,74]。小波变换代码由 MATLAB Jlab 工具箱和 Tanya Leise 博士修改 [74] 在 MATLAB 2022b 中。与将信号变换到没有时间位置的频率空间的傅里叶变换(即使用无限长度的正弦波分量)相比,小波的构造在从中心的两个方向上幅度都减小到 0。此属性允许计算给定位置的频率强度。小波可以承担许多功能(例如,墨西哥帽、方波、莫尔斯电码);目前的分析使用振荡次数较少的莫尔斯小波(定义为 β和 γ),此前已被证明可以捕捉体温和女性生殖的生物节律和趋势[74,75]。该小波类似于正弦波,其振幅在任一方向上减小至零。莫尔斯小波参数 β�=�5 且 γ�=�3 描述叠加以创建小波的两个波的频率,与之前的研究一致[52,76]。这种低数量的振荡增强了对比度和过渡的检测。

激素数据分析和温度比较

对临产前 10 天的激素数据进行了分析。仅包含一个数据点的数据集被删除(n≤=≤2)。对数据进行线性插值和标准化。然后将荷尔蒙数据与个体和总体的温度指标进行比较。为了比较总体温和激素数据,参与者被标记为上升趋势或下降趋势。趋势上升的定义是,某人的 72 小时平滑体温时间序列在怀孕的最后 10 天呈上升趋势。趋势下降表明平滑体温在怀孕的最后 10 天呈下降趋势。进行尿液采样并经历自然分娩的参与者的温度时间序列(n≤=≤18) 分为增加者和减少者,并在两者之间绘制激素时间序列。比较自然剖宫产和诱导/产前剖宫产的标准统计方法

对自然分娩组和接受引产组或产前剖腹产组的样本人口统计和临床特征进行比较。

我们使用了所示的双变量参数和非参数检验。对于激素和温度时间序列特征,值以平均值±95% 置信区间 (C.I.) 的形式报告。为了对温度特征进行统计比较,弗里德曼检验(非参数重复测量方差分析)用于评估自然分娩和引产时间序列之间的差异。如所示,Kruskal Wallis(KW,非参数方差分析)检验用于按组比较个体平均值。使用曼肯德尔检验评估随时间变化的趋势。对于 Friedman 和 KW 检验,Ï2 和p值在文本中列出。使用卷积自动编码器和长短期记忆深度学习模型 (LSTM) 进行分娩预测

参与者纳入标准

图 

2详细介绍了模型开发的参与者细分概述。在总共 127 名参与者中,有 7 名失访。其余 120 名参与者中,71 名自然分娩,45 名必须引产,4 名在没有临产的情况下接受剖腹产。该模型是在自发(包括增强的自发分娩)组中进行训练的,与非自发组不同,我们知道该组的实际临产日期和时间。从自发组中,有 17 名参与者因以下原因之一而被剔除:(a) 临产前连续皮肤温度数据少于 21 天,(b) 数据密度低于 75%,数据密度定义为指示总皮肤温度的比率由于不磨损和电池电量耗尽,几天内会丢失皮肤温度数据。按照相同的非自然分娩标准(除了用引产日或剖腹产日代替分娩开始日),该组中淘汰了 12 名参与者,其中包括 1 名剖腹产者。

图 2
figure 2

出生前后的生物节律图 (BioBAYB) 研究参与者通过数据清理阶段和最终分析组进行自动编码器长期短期记忆模型的训练和交叉验证

深度学习的数据准备

对于所有参与者,每分钟的温度数据在 5 分钟窗口内进行平均,并从每天上午 10 点开始分为 24 小时时段(补充图 1)。接下来,使用从戒指获得的标记的 5 分钟活动数据来隔离和删除与非磨损相关的温度数据部分,即用户取下戒指时收集的数据。接下来,我们使用线性插值来解释缺失和非磨损温度数据段。在处理缺失数据(例如,多项式、三次样条和反距离加权)方面,线性插值比其他插值方法表现得更好。由于在此时间窗口内频繁捕获数据,因此模型(如下所述)有机会不仅利用原始温度或相对温度级别每天(如我们之前的研究中的情况),还有趋势和模式(例如,夜间远端温度趋势以前与睡眠阶段和醒来有关)[77,78]。这些温度随后被输入到卷积自动编码器,其输出作为 LSTM 的最终输入。

模型问题定义

我们的模型被形式化为非线性逼近器\(F: {Y}_{k}=F\left({T}_{k},\uptheta \right) +\updelta\)。给定每日温度的输入序列,\({T}_{k}=\{{T}^{k-1},{T}^{k-2},{T}^{k-3}\点{T}^{1}\}\)\({k}^{th}\)妊娠日在哪里\({T}^{k}\)是当天 5 分钟总温度的序列,我们的模型由一组可训练参数表示\(\uptheta\),并预测一个值\({Y}_{k}\)表示相对于当前胎龄的临产天数\(k\)\(\updelta\)表示用于避免模型过度拟合的正则化参数。我们使用自回归方法训练模型,该方法通常用于时间序列预测问题,我们预测临产前的天数(在\({k}^{th}\)妊娠日)仅使用过去的皮肤温度数据。我们找到型号\(F\)在所有非线性模型的空间上最小化平均绝对误差 (MAE) 目标函数\(\sum \left|{y}_{k}-\widehat{{y}_{\text{k}}}\right|/N\)适用于所有培训科目 \(N\), 在哪里\(\widehat{{y}_{\text{k}}}\)是预计临产前的天数,\({y}_{k}\)是指在孕龄为临产前的真实天数 \(k\)。由于深度神经网络 (DNN) 是高效的通用非线性逼近器,因此我们选择使用卷积自动编码器 (AE) 与长短期记忆 (LSTM) 网络的组合来训练模型参数\(\uptheta\)\(\updelta\)。LSTM 模型是专门为解决传统循环神经网络 (RNN) 在捕获时态数据中的远程依赖性方面的局限性而开发的。79]。选择 LSTM 是因为它具有对长期和短期时间趋势进行建模的出色能力,以及它在连续生理数据的现有机器学习应用中的相对成熟度。80]。最近的文献强调,CNN 与 LSTM 的集成对于处理时间信息非常有效,因为它不仅降低了数据维度,而且还捕获了连续信号中的空间和时间变化。81,82,83]。此外,与门控循环单元 (GRU) 和 Transformer 等最新架构相比,LSTM 在经过适当微调后,在处理复杂序列方面表现出了卓越的性能。81]。卷积 AE 和 LSTM 的这种组合能够捕获连续数据的空间和时间变化,我们将这种模型称为 AE-LSTM。

卷积自动编码器架构

自动编码器非常擅长将输入数据从特征空间转换为潜在空间,[84] 降低数据维数并自动降低噪声[85] 数据中为了进行分析,我们开发了一种卷积 AE,它使用卷积层作为基本构建块。AE 是一种特殊类型的深度神经网络 (DNN),经过训练可从压缩的潜在表示重建其输入数据。例如,在我们的情况下,它首先将每日皮肤温度数据编码为编码的潜在表示,然后将潜在表示解码回到每日皮肤温度数据,同时最大程度地减少重建误差。AE的编码部分生成了连续温度数据的64维潜在空间表示,然后用作LSTM的输入。来自同一参与者的温度数据被视为独立的数据点,AE每天总共以288个温度数据点(每5分钟)进行训练。补充图2中总结了卷积AE的详细体系结构。AE能够从编码表示的每日温度数据以1.48图的平均误差重建。3

图3
figure 3

AE-LSTM模型体系结构提取与人工相关的温度特征。连续的每日皮肤温度数据被馈入卷积自动编码器,该卷积自动编码器每天输出长度为64的编码表示。热图描述了数据样本的实际编码表示。然后以自回归方式将它们送入LSTM(长期记忆),以获得“天数,直到相对于当前的妊娠年龄

模型交叉验证和评估

我们使用了以主题为导向的方法来评估我们的模型,其中参与者的数据完全用于培训或测试。为了评估我们所有模型和方法的性能,我们采用了k - 折叠验证方法,我们将参与者分为k褶皱。我们使用k-1数据折叠并测试持有的模型性能kth折叠。我们用过k= 9为我们提供了每倍的6个参与者。重复此过程k直到每个折叠至少用作测试数据集为止。主题交叉验证是评估模型性能的一种更有效的方法,因为它确保模型在培训过程中不会看到测试参与者的生理数据的任何部分,并且还改善了对新参与者数据的概括。当我们处理时间序列数据时,评估性能指标是时间的函数。我们计算在特定时间点对地面真理的模型预测的平均差异和绝对平均差异,并在跨时间报告错误。我们通过评估与当前胎龄相对于当前的胎龄,通过评估平均绝对误差来评估AE-LSTM模型的性能。我们基于当前标准使用EDD建立了有效的预测基线,并将AE-LSTM性能与基线模型进行了比较。为了更好地在临床上解释模型的表现,我们认为所有模型预测都超过了实际日期为负(即假阴性(FN);母亲交付的时间早于预期的),并且所有预测的预测比劳动日期为正(即假阳性(fp);母亲的交付时间比预期的晚)(见图 6,桌子 3)。

将预测从AE-LSTM转换为劳动窗口

为了改善临床解释,我们转换了AE-LSTM返回的预测值(\({\ wideHat {y}} _ {t} \))在某个时间\(T \)(距离分娩的几天)进入一个窗户\(\ left [{w} _ {1},{w} _ {2} \ right] \)\),使模型预测属于其中\(\ left({w} _ {1} \ le \ wideHat {{y} _ {t}}} \ le {w} _ {2} \ right)\)给定的概率\(p \)。这是通过在每个时间点上所有参与者的所有参与者中转换所有参与者的离散预测误差(平均绝对误差,MAE)来实现的\(T \)分配\(e \ left(t \ right)\)通过计算核密度估计(KDE)。我们测试了\(e \ left(t \ right)\)使用Shapiro Wilk测试进行正态性。和\(e \ left(t \ right)\)对平均分布进行建模\({\ wideHat {y}} _ {t} \),边界之间KDE曲线下的区域\(((({\ upepsilon} _ {1},{\ upepsilon} _ {2} \))然后给了我们概率\(p \)它们之间的模型错误。我们将窗口界限计算为\({w} _ {1} = {\ wideHat {y}} _ {t} - {\ upepsilon} _ {1},{w} _ {2} = {\ wideHat+{\ upepsilon} _ {2} \)对于给定的概率\(p \ in \ {0.7,0.8,0.9,0.95 \} \)并报告了窗口尺寸|\(w | = \ left | {w} _ {1} \ right |+\左| {w} _ {2} _ {2} \ right | \)穿过\({\ wideHat {y}} _ {t} \)预测可能会下降。我们将此窗口定义为\(\ text {w} {\ left(\ text {p} \ right)} _ {\ text {t}}} \)

预测未来劳动或劳累前剖宫产的参与者的劳动发作

劳动诱导可能出于多种原因而发生,并涉及使用药物或机械装置来刺激子宫收缩和宫颈扩张。我们选择评估这种非自发(外源)劳动发作形式(或在剖宫产前缺乏劳动)的假设,即在该队列中预测的准确性将较低。与具有诱导或剖宫产的人相比,在自然而然地进入劳动力的妊娠中以同等精度进行的模型不可能识别出与劳动生理发作相关的特征。另外,在这个框架中,与自发劳动的人相比,诱发的怀孕被解释为“劳动的准备”。因此,我们评估了我们的预测是否倾向于在诱导队列中的实际诱导时间晚。其次,我们评估了诱导的劳动预测错误是否表现出更高的变异性,因为平均而言,诱导或复杂妊娠的生理轨迹应与自发劳动,健康怀孕的轨迹不同。

结果

样品描述

总共包括91个人。自发发作的劳动发作发生在平均(标准偏差)39.9(1.1)周的平均(标准偏差)周,范围为37.4 -41.9周,而平均值为39.5(1.2),范围为39.5(1.2),范围为39.5(1.2),范围为39.5(1.2),范围为39.5(1.2),范围为39.9(1.2),范围为39.5(1.2),范围为39.5(1.2)和范围,则发生了自发发作。在非自发劳动/出生中的36.1-41.2。群体之间的平均妊娠年龄没有差异,产妇年龄,EDD分配方法(超声波与上一个月经日期),教育水平,自我报告的种族或种族或婴儿的性别也没有差异。七名参与者(7.7%)报告了参加研究后出现妊娠高血压。在产科并发症的劳动诱导组中,仅报告了一个早产。从诱导时开始劳动前的劳动前自发破裂进行了七次劳动归纳,以表明劳动力的明确指示,因此这些个体被归类为劳动诱导,并且数据不用于训练该模型。对于其他33次劳动归纳,有7(21.2%)归因于日期后怀孕(即通过截止日期),由于医疗并发症而导致的5(15.2%),10(30.3%)表明胎儿健康出于方便或其他非医学原因,适应症和4(12.1%)选择了劳动力(表格) 2)。表2 Biobayb参与者的人口统计学和临床​​特征(通过劳动发作)(

= 91)激素代谢物将劳动发作机理与皮肤温度联系起来

自发劳动表现出降低的温度(图 

4a),昼夜力量(图 4b),并归一化 - ± - 释放二醇(图 4c)在劳动发作之前的一周(中位数曼·肯德尔)p= 7.41*108,p= 5.57*109,p= 0.028;分别)。尽管典型的自发趋势是在劳动之前的温度降低,但并非每个人都表现出这种趋势(数据未显示)。在劳动开始前一周的一周中的一周中的± - 假二醇浓度因个人是否向下倾斜而不同(灰色,灰色,n= 10)或没有趋势/向上倾斜(黑色,n=â= 8)在该窗口上的温度,在温度组下降的窗口中,趋向于中位偏离±pregnanediol(图) 4d)((p= 0.045)温度水平和激素浓度揭示了自发和诱导的劳动之间的其他差异。自发劳动的温度平均表现为0.44±0.08°C(图。 5a)和更大的昼夜力量(图 5b)(弗里德曼(Friedman)2= 346,240;p= 1.7*1059,4.12*1038, 分别)。最后,自发性劳动在此窗口上表现出更大的雌二醇与±±pregnanediol的平均比率(以前假设的成功劳动标记[86])(kwï2= 14.3,p= 2*104)(图 5C)。图4温度,温度昼夜力量和α± - 重度二醇表现出平行的降低劳动力。

温度水平(
figure 4

一个)和昼夜力量(C)平行模式的± - pregnanediol()在劳动发作前的10天内。D在分娩开始前的10天(D,灰线)的10天,与那些在该窗户上表现出升高的人(D,黑线)相反,在分娩前10天表现出温度下降的个体(d,黑线),±pregnanediol降低。符号:#指示工党前一周的统计曼恩·肯德尔(Mann Kendall)趋势;*表示在劳动前一周,怀孕中有和没有温度降低的怀孕中的pregnanediol之间的统计差异。所有实线都是均值,所有误差线代表95%C.I±

图5
figure 5

自发劳动表现出较低的温度,更稳定的昼夜节律和更大的E3:±妊娠二醇比率。一个体温自发(蓝色)和诱发(红色)劳动。乙小波昼夜节日的力量更大(蓝色)怀孕。D自发劳动表现出更大的e3:±pregnanediol。所有实线都是均值,所有误差线代表95%C.I±

AE-LSTM模型准确地预期自发劳动发作

模型签名的平均误差减少了,他们从40天到25天开始劳动力开始劳动,之后它在0到2天之间变化(图。 6A,蓝色)。此错误率并不取决于自发劳动的妊娠年龄(曼恩·肯德尔(Mann Kendall)无关)(图。 6B,蓝色),低于所有时间点的临床截止日期误差12天。促使劳动的怀孕的平均签名错误率更高(图 6a和b,红色),随着前进的归纳和前进的态度,向下趋势(曼恩·肯德尔(Mann-Kendall)p<<0.001)。平均签名误差达到其在劳动开始前1周的自发劳动的最小值和最小变异性,平均值(SD)为-0.3(2.1),而归纳为-2.8(6.7)天。在整个预测窗口中,劳动归因于自发劳动的后期偏向2天,而劳动的延迟为10天。两组之间的平均签名预测误差范围很大,诱导的劳动范围超过25天的误差和自发劳动,范围为10天。最后,亚组的错误分析表明,自发劳动中的模型误差与高级(>> 35)相比,与年轻的母亲年龄(<35)或BMI(超重Vs.)没有差异。正常体重)。模型误差确实因母亲的平价而有所不同,多多个母亲表现出降低的模型误差和与人工发作前2周相比的变异性(见补充图7)。

图6
figure 6

AE-LSTM预测自发劳动发作,在怀孕的最后8天中,<2天的错误,与胎龄无关。一个几天内自发模型误差,±95%c.i.对于人口,每天产生的预测。#表示随着时间的推移统计曼恩·肯德尔趋势。从人工-40天到人工发作前一天,窗口的统计学统计减少。灰色虚线表示基于上一个月经期的传统截止日期的人口平均误差。灰色实线标记0天错误。自发模型在几天内签署了误差。对于每个妊娠年龄产生的预测,表明自发模型性能(蓝色)不会因预测时的妊娠年龄而统计上变化。C与诱导误差相比D)。自发数据以蓝色绘制;诱导数据以红色绘制。橙色显示了三个可用的剖宫产(D)。透明圆直径与劳动开始前整个月的该个人的签名模型误差成正比,而实心中心圆表示该个人的最小模型误差

分娩时实际胎龄的分散与预测在分娩前1周的胎龄相比,所有参与者都说明了自发性劳动的个体的预测准确性提高(线性模型适合R2= 0.93,AIC = -134)(图。6C,浅蓝色点)。相比之下,相对于诱导前1周进行的预测,实际妊娠年龄的散射显示精度降低(R2= 0.68,AIC = -8.81)(图。6D,鲜红色的点)。此外,数据说明了怀孕最后一个月的预测准确性较低的单个SD(图。6C,与诱导预测的较大SD相比,深蓝色阴影区域直径)(图6D,深红色阴影区域直径)。可视化了3个计划的剖宫产的数据(图。6D,橙色点),错误和错误可变性可与归纳相当(分别为-7.3、4.9和2.3天的1周的错误; SD = 6.5天,错误范围=交货前一个月以前的36天)。这些发现支持引起的劳动的支持可能在生理上可能不那么准备工作,因此很难产生关于其妊娠进展的一致预测,并且在缺乏劳动力的情况下,妊娠年龄(如通过温度提高来衡量)时间序列)可能是应何时发生劳动的显着预测指标。

在7天的交叉验证折叠之间的误差分布

我们选择了7天作为代表性横截面,以在交叉验证期间展示各种折叠的模型误差。桌子3显示了7天横截面的所有折叠中模型误差的概述分布,每个折叠包含6个自发劳动的参与者。在7天,所有折叠的总体误差为α= -0.08,±= 1.63天。我们观察到了所有折叠的总体紧密聚集误差分布。倍数1显示最大的平均误差为-1.93天,然后是折叠2。折叠5的平均误差最小为-0.17,但它显示出误差分布的扩散范围比其他任何其他折叠都大。

表3在模型交叉验证期间,在真正的劳动前7天,每个折叠的误差分布

临床解释,积极和负面的预测措施

尽管已配制了DNN模型以输出单个天数直到人工价值,但用于测量模型精度的MAE(真实和预测错误之间的差异)不能轻易地转换为模型正面和负面可预测性的临床意义有意义的措施。为了帮助临床解释,我们介绍了预测窗口的概念\(w {\ left(p \ right)} _ {t} \)从模型的误差分布得出\(T \)给定的概率\(p \)。桌子4使用预测劳动窗口概述了模型验证\(w {\ left(p \ right)} _ {t} \)\(p \ in \ {0.7,0.8,0.9,0.95 \} \)\(t \ in \ {7,10 \} \)。相应的窗口大小\(| w | \)为了\(t = 7 \)在哪里\(\ {3.7,4.6,6.0,7.1 \} \);在\(t = 10 \)在哪里\(\ {\ text {6.2,7.4,9.2,10.4} \} \)\)每个值的天数\(p \)。鉴于我们队列的样本量有限,我们使用所有具有自发分娩的参与者进行此分析(= 54)。我们将真正的正(TP)定义为参与者的数量(n),其劳动在模型预测的窗口中正确启动。假阳性(FP)定义为在模型预测窗口之后发生劳动的参与者。对于这些人来说,与真正的劳动相比,该模型错误地预测了他们的劳动将从早期的窗口开始。我们认为,与虚假负面因素(FN)相比,这对患者风险的影响较小(如果按照模型预测窗口开始,他们会较早地开始劳动开始)。我们将虚假负面因素定义为在AE-LSTM模型预测的劳动窗口之前从事劳动的参与者。如果遵循模型预测,这些参与者可能会没有准备好劳动。对于FP和FN,我们还报告了该模型预测的时间(天)多少时间(几天)都错过了真正的劳动。这被计算为预测窗口的真实人工和边缘之间的差异(fp的右边缘,tp的左边缘)。这是由false fording窗户日子和桌子中的假否定窗户日子表明的 4。我们观察到,我们的模型可以通过79%的TP,18.8%的FP和小1.8%的FN率预测,而实际劳动尺寸为7.4天,可以预测实际人工的10天。自然增加窗口的大小也会增加我们的TP,并减少FP和FN,但是窗户尺寸较大(例如:| w | = 9.2,Tpâ=â= 96%)可能不会给怀孕的母亲足够计划劳动的特异性。同样,我们看到一个tpâ= 79%,fpâ= 15%,fnâ= 5.6%在使用4.6天的预测窗口(在真实劳动前7天)(如图。7)。表4自发劳动中的模型预测精度窗口

图7
AE-LSTM模型的图形摘要具有劳动预测的未来时间窗口,相对于真正的人工发作。
figure 7

该模型在分娩开始前的10天,预测一个7.6天的窗口,准确包括79%的真实劳动日期(n样品的42)。窗户是在真正的劳动之前18.8%(n= 10)时间(误报,fp),平均(SD)为0.6(0.5)天。相反,预测导致1.8%的病例中的假阴性(FN)(FN)(n=â1)该劳动发生在预测窗口开始之前0.9天之前发生的。讨论

连续温度反映了劳动之前的激素状态

这项研究的目的是检查荷尔蒙的基础和使用连续测量的皮肤温度预测人类分娩开始的实际可行性。

我们观察到在劳动发作之前的一周中,手指温度的常见降低与其他物种相当的人(表 1)。整个物种之间的这种一致变化可能有可能促进能源保护的适应状态,以准备劳动。这将与我们以前的发现一致,表明在较早的胎龄开始工作之前减少了能量消耗,并且在我们以前的增强随机森林模型中,能量消耗的排名略低于体温[71]。此外,我们观察到每日节奏的幅度和稳定性降低,这似乎也发生在啮齿动物中[40]和牛[22]。我们进一步将连续体温模式的变化与劳动之前的已知激素变化相关,表明温度调节的变化反映了激素状态的变化,就像女性生殖生命的其他阶段一样[25,26]。共同调节和激素状态似乎在劳动准备方面发生了相关的变化。

深度学习可以将连续温度转化为精确的人工发作的窗口

本研究进一步表明,应用深度学习技术连续体温数据可以准确预测劳动日的发作。我们的最终模型预测劳动发作是在人工劳动前1周,平均签名错误为1天,而确定性为4.6天的79%。正如预期的那样,我们发现诱导的劳动/计划的剖宫产中的模型错误更大,在该日期开始的日期为不是与个体的生理学有关,而是并发症,胎龄晚期或预定的便利性。的确,在预定诱因后的几天后,许多感应的劳动可能自然而然地开始。与此一致,我们观察到,接近劳动,较低体温的一个突出特征在诱导的劳动中并不那么低,这表明诱导的妊娠可能平均在生理上是早期的发育状态。我们还观察到,我们在诱发劳动中的预测往往迟到:诱导发生在模型期望母亲劳动之前生理上。但是,在许多情况下,需要诱导劳动力,表明怀孕并未沿着健康的轨迹进展。与此相一致,我们还观察到了这两个错误变异性并降低了昼夜节力,这通常与各种措施的健康状况恶化有关[87,88,89]。最后,我们观察到在诱发劳动中随胎龄跟踪的模型误差,而不是在自发劳动之前在妊娠之间保持一致的误差。这可能表明,在没有正常情况的温度变化的情况下,妊娠年龄是下一个最重要的特征。我们共同提出,密集的生理时间序列与深度学习方法的结合使动物畜牧业技术在人类怀孕的复杂世界中的应用。

我们最近证明了每日指标平均自主活动,体育活动和睡眠(包括单个派生的体温指标)在大致预见的是在传统派生的截止日期之前或之后是否会发生劳动发作[71]。在这些输出中,每日温度为模型提供了最大的贡献。尽管我们无法在劳动预测中找到有关人类温度的最新研究,但[68]最近一个研究小组[90]表明,随着胎龄的增长,体育活动的减少,一项18个参与者队列的研究表明,人力资源的降低和第三个孕期HRV的增加[91]。尽管需要更多的人类研究,但这些结果以大量动物文献为基础,这些动物文献证明了在分娩前温度的独特降低,并且为识别表现出迫在眉睫的劳动的特征而进行了许多努力,从简单的阈值[44]与本研究类似的ML方法[92]。随着怀孕期间的总体激素水平和暂时性的变化,我们假设未来的研究利用了连续的(而不是每天一次)措施将实现更准确的预测。如果在较大的临床试验中确认,在本研究中观察到的低错误率将构成妊娠监测的大幅度提高,并大大提高家庭和临床医生为即将出生的计划的能力。据我们所知,这是使用连续温度以及临床和激素数据以及预期人类怀孕劳动发作的第一次尝试。这似乎也是在劳动背景下将深度学习应用于连续体温的首次尝试。

妊娠长度的变异性

有趣的是,随着妊娠长度在人类中差异很大,尚不清楚孕产妇和胎儿的劳动劳动,并且相应地提前有多远,可以使用任何生理信号来预测劳动。影响妊娠长度的一些不可修改的因素包括女性胎儿的妊娠较短[93]且妇女年龄较大或无效的妇女怀孕[1]。也有证据表明,倾向于患有后或早产的个体在随后的怀孕中会复发,这表明对妊娠长度产生遗传影响[93]。实际上,每个人的怀孕也是一个适应过程。劳动发作时间可能受到当地因素的影响,包括感染暴露,[94] 压力, [95] 活动, [96]孕产妇特征(身体习惯[97,98,99]或自动免疫疾病[100])和光暴露的时机[101]。胎儿中枢神经系统和肾上腺成熟可能起着重要作用,并通过胎盘激素产生(皮质激素释放激素,雌激素,孕酮),无菌炎症受到影响,[102,103]促炎性细胞因子和前列腺素(在[59,104])。这些变化中的每一个都可能影响孕产妇的生理适应和时间序列。人工生理肖像的复杂性很可能是由于重叠的机制可能以不同的方式表现出来。结果,任何单身的体温(或其他生命体征,例如每日平均)的特征可能不足以预测人类的出生。捕获时间序列不同方面的潜在表示(例如,水平,坡度,节奏,形状等)捕获了更多信息,并且对于准确的预测可能是必需的。关于温度时间序列,信号变化的哪些属性与即将到来的劳动有关,而在人群中是随机的,这是深度学习模型旨在确定的。

未来模型开发的考虑

这里提供的分析是将深度学习和连续的皮肤温度结合起来的第一次尝试,以预测人类的劳动,以及激素时间序列以验证我们发现的生理基础。但是,在这种模型将在一个大型队列中表现出来之前,仍存在许多挑战,包括妊娠具有更多的合并症(例如,妊娠糖尿病),有早产风险的妊娠和更广泛的社会人口统计学样本。需要进一步验证,以确定荷尔蒙和温度模式如何根据健康风险因素而不同,并且可能需要单独的模型来准确地对这些母亲进行预测。连续佩戴设备(例如环或手镯)的要求也阻碍了连续的基于数据的方法。数据上的较大差距将影响准确性,因此将方法限制在愿意并能够获得,充电并始终如一地佩戴智能设备的那些人。需要进行未来的研究来确定这种建模方法对数据差距或数据插值的容忍度超过几个小时。

结论

连续体温可以应用于比临床标准更高的准确性预测劳动发作。AE-LSTM方法可以提取体温的相关特征,以从三个月的数据中进行准确的人工发作预测。温度模式的特征(包括温度水平和生物节奏)在妊娠的最后一周与性类固醇的变化有关。对较大人群的未来研究,包括高危妊娠,将决定这种方法的广泛临床适用性。

数据可用性

本研究期间使用的数据集可从相应的作者根据合理的要求获得,但根据与OURA和参与者机密性达成数据使用协议。所有用于生成调查结果的代码均可以下网址:https://github.com/timebeforedelivery/laborpredictor-public.git。缩写

NCAT:

国家前进的转化科学中心

AE-LSTM:

自动编码器长短期内存

ML:

机器学习

EDD:

预计交货日期

NTC:

负热系数

PPG:

光电体积描记法

HRV:

心率变异性

荷兰:

尿液测试综合激素

E1-E3:

雌酮,雌二醇,雌二醇

±pg&歧程:

±pregnanediol,α-pregnanediol

GCM:

气相色谱质谱法

CI:

置信区间

KW:

克鲁斯卡尔·沃利斯(Kruskal Wallis)

方差分析:

方差分析

梅:

平均绝对错误

亚马逊AWS:

亚马逊网络服务

参考

Jukic AM,Baird DD,Weinberg CR,McConnaughey DR,Wilcox AJ。

  1. 人类怀孕的长度和自然变异的贡献者。Hum Reprod Oxf Engl。2013; 28:2848 55。

    文章一个 中科院一个 谷歌学术一个 

  2. Ghaemi MS等。人类怀孕期间免疫组,转录组,微生物组,蛋白质组和代谢组适应的多组学建模。生物信息学。2019; 35:95 103。

    文章一个 中科院一个 考研一个 谷歌学术一个 

  3. Stelzer IA,Ghaemi MS,Han X等。母体代谢组,蛋白质组和免疫组的综合轨迹预测了劳动发作。科学翻译医学。2021; 13(592)。

  4. Jasinski SR,Rowan S,Presby DM,Claydon EA,Capodilupo ER。可穿戴的母体心率变异性是一种新型的早产数字生物标志物。公共科学图书馆一号。2024; 19:e0295899。

    文章一个 中科院一个 考研一个 考研中心一个 谷歌学术一个 

  5. Daskalakis GJ,Papantoniou NE,Koutsodimas NB,Papapanagiotou A,Antsaklis AJ。胎儿纤连蛋白作为早产的预测指标。J Obstet Gynaecol J Inst Obstet Gynaecol。2000; 20:347 53。

    文章一个 中科院一个 谷歌学术一个 

  6. 儿子M,米勒ES。预测早产:宫颈长度和胎儿纤连蛋白。塞明围产期。2017; 41:445 51。

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  7. Hanley GE等。诊断劳动发作:研究文献中定义的系统综述。BMC 怀孕分娩。2016; 16:71。

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  8. Gross MM,Haunschild T,Stoexen T,Methner V,Guenter HH。妇女对劳动的自发发作的认可。出生。2003; 30:267 - 71。

    文章一个 考研一个 谷歌学术一个 

  9. Altini M,Rossetti E,Rooijakkers MJ和Penders J.迈向非侵入性劳动检测:自由生活评估。2018年,IEEE医学与生物学协会(EMBC)2844(2018)第40届IEEE IEEE工程国际会议。https://doi.org/10.1109/embc.2018.8512964。Mas-Cabo J等。

  10. 基于ANN的劳动术预测迫在眉睫的劳动力的电术预测,该劳动正在接受溶良疗法的早产妇女。传感器。2020; 20:2681。

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  11. De Lau H等。电术中的自动传导速度分析以预测即将交付的预测:一项初步研究。医学计算数学方法。2013; 2013:627976。

    考研一个 考研中心一个 谷歌学术一个 

  12. Fergus P.等人。使用机器学习对EHG信号的早产预测|公共科学图书馆一号。2013年。https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0077154。Benalcazar-Parra C等。

  13. 从子宫电肢体图中的劳动诱导成功预测。JSens。2019; 2019:6916251。

    文章一个 谷歌学术一个 

  14. Alberola-Rubio J等。劳动发作类型的预测:自发性与引起的;电术的作用?生物医学计算方法程序。2017; 144:127 33。

    文章一个 考研一个 谷歌学术一个 

  15. Grant AD,Kriegsfeld LJ。连续体温作为进入青少年发育的窗口。开发认知神经科学。2023; 60:101221。

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  16. Alzueta E等。在健康女性中,通过OURA环跟踪睡眠,温度,心率和每日症状。国际妇女健康杂志。2022; 14:491 503。

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  17. Grant AD,Newman M,Kriegsfeld LJ。心率变异性和远端体温的超级节奏预测黄体激素激素的发作。SciRep。2020; 10:20378。

    文章一个 中科院一个 考研一个 考研中心一个 谷歌学术一个 

  18. Sanchez-Alavez M,Alboni S,ContiB。C57BL/6小鼠的核心体温性别和年龄特异性差异。年龄多德·内斯(Dordr Neth)。2011; 33:89 99。

    文章一个 中科院一个 谷歌学术一个 

  19. Luo J,Mao A,Zeng Z.基于传感器的智能服装,用于女性更年期过渡监测。传感器。2020; 20:1093。

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  20. Goodday SM等。更好地了解妊娠的变形(BUMP):从事前到产后的女性进行数字可行性研究的方案。NPJ Digit Med。2022; 5:1â8。

    文章一个 谷歌学术一个 

  21. Ricci A等。通过商用内部静脉内装置评估温度截止点,以预测皮埃蒙特牛肉牛的分娩。动物发生学。2018;113:27–33.

    文章一个 中科院一个 考研一个 谷歌学术一个 

  22. Burfeind O, Suthar VS, Voigtsberger R, Bonk S, Heuwieser W. Validity of prepartum changes in vaginal and rectal temperature to predict calving in dairy cows.J 乳品科学。2011;94:5053–61.

    文章一个 中科院一个 考研一个 谷歌学术一个 

  23. Costa JBG, et al.Reticulo-rumen temperature as a predictor of calving time in primiparous and parous Holstein females.J 乳品科学。2016;99:4839–50.

    文章一个 中科院一个 考研一个 谷歌学术一个 

  24. Del’Aguila-Silva, P.等人。Maternal and fetal ultrasonography, vulvar temperature and vaginal mucous impedance for the prediction of parturition in Saanen does.动画。再现。 2023;20:e20230006.Charkoudian N, Hart ECJ, Barnes JN, Joyner MJ. Autonomic control of body temperature and blood pressure: influences of female sex hormones. Clin Auton Res Off J Clin Auton Res Soc. 2017;27:149–55.

  25. 文章

    一个 谷歌学术一个 Grant AD, Kriegsfeld LJ.Neural substrates underlying rhythmic coupling of female reproductive and thermoregulatory circuits.

  26. 前生理学。2023;14:1254287.

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  27. Kräuchi K, et al.Diurnal and menstrual cycles in body temperature are regulated differently: a 28-day ambulatory study in healthy women with thermal discomfort of cold extremities and controls.克罗诺比奥国际公司2014;31:102–13.

    文章一个 考研一个 谷歌学术一个 

  28. Maijala A, Kinnunen H, Koskimäki H, Jämsä T, Kangas M. Nocturnal finger skin temperature in menstrual cycle tracking: ambulatory pilot study using a wearable Oura ring.BMC 女性健康。2019;19:150.

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  29. Grant A, Smarr B. Feasibility of continuous distal body temperature for passive, early pregnancy detection.PLOS 数字健康。2022;1(5):e0000034.

  30. Temp Traq.温度追踪器 https://temptraq.healthcare/。Smarr BL, et al. Feasibility of continuous fever monitoring using wearable devices. Sci Rep. 2020;10:21640.

  31. 文章

    一个 中科院一个 考研一个 考研中心一个 谷歌学术一个 Dambrosio N, et al.Continuous temperature monitoring for earlier fever detection in neutropenic patients: patient’s acceptance and comparison with standard of care.

  32. 生物骨髓移植。2018;24:S108–9.

    文章一个 谷歌学术一个 

  33. Mason AE, et al. Detection of COVID-19 using multimodal data from a wearable device: results from the first TemPredict Study. Sci Rep. 2022;12:3463.

    文章一个 中科院一个 考研一个 考研中心一个 谷歌学术一个 

  34. Verma N. A Novel Wearable Device for Continuous Temperature Monitoring & Fever Detection. IEEE J Transl Eng Health Med. 2021;9:2700407.

    文章一个 考研一个 谷歌学术一个 

  35. Trethowan PD, et al.Improved homeothermy and hypothermia in African lions during gestation.比奥尔莱特。2016;12:20160645–20160645.

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  36. Williams CT, et al. Data logging of body temperatures provides precise information on phenology of reproductive events in a free-living arctic hibernator. J Comp Physiol B. 2011;181:1101–9.

    文章一个 考研一个 谷歌学术一个 

  37. Katsumata E, et al.Body temperature and circulating progesterone levels before and after parturition in killer whales (Orcinus orca).J 再现开发。2006;52:65–71.

    文章一个 中科院一个 考研一个 谷歌学术一个 

  38. Thiel A, et al.Effects of reproduction and environmental factors on body temperature and activity patterns of wolverines.前动物园。2019;16:21–21.

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  39. Jilge B, Kuhnt B, Landerer W, Rest S. Circadian temperature rhythms in rabbit pups and in their does.实验室动画。2001;35:364–73.

    文章一个 中科院一个 考研一个 谷歌学术一个 

  40. Fewell JE.Body temperature regulation in rats near term of pregnancy.Can J Physiol Pharmacol。1995;73:364–8.

    文章一个 中科院一个 考研一个 谷歌学术一个 

  41. Eliason HL, Fewell JE. Thermoregulatory control during pregnancy and lactation in rats. J Appl Physiol Bethesda Md. 1997;1985(83):837–44.

    谷歌学术一个 

  42. Shaw EB, Houpt KA, Holmes DF. Body temperature and behaviour of mares during the last two weeks of pregnancy. Equine Vet J. 1988;20:199–202.

    文章一个 中科院一个 考研一个 谷歌学术一个 

  43. Nabenishi H, Yamazaki A. Decrease in body surface temperature before parturition in ewes.J 再现开发。2017;63:185–90.

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  44. Ricci A, et al.Assessment of the temperature cut-off point by a commercial intravaginal device to predict parturition in Piedmontese beef cows.动物发生学。2018;113:27–33.

    文章一个 中科院一个 考研一个 谷歌学术一个 

  45. Geiser B, Burfeind O, Heuwieser W, Arlt S. Prediction of parturition in bitches utilizing continuous vaginal temperature measurement.再现国内动画。2014;49:109–14.

    文章一个 中科院一个 考研一个 谷歌学术一个 

  46. Græsli AR, et al.Body temperature patterns during pregnancy and parturition in moose.J 热生物学。2022;109:103334.

    文章一个 考研一个 谷歌学术一个 

  47. Smarr BL, Zucker I, Kriegsfeld LJ.Detection of Successful and Unsuccessful {Pregnancies} in Mice within Hours of Pairing through Frequency {Analysis} of High {Temporal} Resolution {Core} Body {Temperature} {Data}.公共科学图书馆一号。2016;11:e0160127–e0160127.

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  48. Ruppenthal GC, Goodlin BL.Monitoring temperature of pigtailed macaques (Macaca nemestrina) during pregnancy and parturition.Am J Obstet Gynecol。1982;143:971–3.

    文章一个 中科院一个 考研一个 谷歌学术一个 

  49. Mittelman-Smith MA, Williams H, Krajewski-Hall SJ, McMullen NT, Rance NE. Role for kisspeptin/neurokinin B/dynorphin (KNDy) neurons in cutaneous vasodilatation and the estrogen modulation of body temperature. Proc Natl Acad Sci U S A. 2012;109:19846–51.

    文章一个 中科院一个 考研一个 考研中心一个 谷歌学术一个 

  50. Rance NE, Dacks PA, Mittelman-Smith MA, Romanovsky AA & Krajewski-Hall SJ.Modulation of body temperature and LH secretion by hypothalamic KNDy (kisspeptin, neurokinin B and dynorphin) neurons: A novel hypothesis on the mechanism of hot flushes.正面。Neuroendocrinol。 2013;34. https://doi.org/10.1016/j.yfrne.2013.07.003。Szawka RE, et al.Kisspeptin regulates prolactin release through hypothalamic dopaminergic neurons.

  51. 内分泌学。2010;151:3247–57.

    文章一个 中科院一个 考研一个 谷歌学术一个 

  52. Smarr BL, Grant AD, Zucker I, Prendergast BJ, Kriegsfeld LJ.Sex differences in variability across timescales in BALB/c mice.生物性别不同。2017;8:7.

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  53. Berglund Scherwitzl E, Lindén Hirschberg A & Scherwitzl R. Identification and prediction of the fertile window using NaturalCycles. Eur J Contracept Reprod Health Care Off J Eur Soc Contracept。 2015;20:403–408.Shilaih M, Goodale BM, Falco L, Kübler F, De Clerck V, Leeners B. Modern fertility awareness methods: wrist wearables capture the changes in temperature associated with the menstrual cycle. Biosci Rep. 2018;38(6):BSR20171279.

  54. Goodale BM, et al.

  55. Wearable sensors reveal menses-driven changes in physiology and enable prediction of the fertile window: observational study.医学互联网研究杂志。2019;21:e13404.

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  56. Kleinschmidt TK.等人。Advantages of determining the fertile window with the individualised Natural Cycles algorithm over calendar-based methods. Eur J Contracept Reprod Health Care Off J Eur Soc Contracept。 2019;24:457–463.Backstrom C, McNeilly AS, Leask R, Baird D. Pulsatile secretion of LH, FSH, Prolactin, oestradiol, and progesterone during the human menstrual cycle.

  57. 临床内分泌(Oxf)。1982;17:29–42.

    文章一个 中科院一个 考研一个 谷歌学术一个 

  58. Kauppila A, Kivelä A, Kontula K, Tuimala R. Serum progesterone, estradiol, and estriol before and during induced labor.Am J Obstet Gynecol。1980;137:462–6.

    文章一个 中科院一个 考研一个 谷歌学术一个 

  59. Grant AD, Erickson EN.Birth, love, and fear: Physiological networks from pregnancy to parenthood.Compr 心理神经内分泌。2022;11:100138.

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  60. Matsuoka R, Mori H, Tomonari R, Tomonari M. The circadian and pulsatile secretions of prolactin during pregnancy, labour and puerperium. Nihon Naibunpi Gakkai Zasshi. 1990;66:1127–37.

    中科院一个 考研一个 谷歌学术一个 

  61. Petraglia F, Imperatore A, Challis JRG. Neuroendocrine mechanisms in pregnancy and parturition. Endocr Rev. 2010;31:783–816.

    文章一个 中科院一个 考研一个 谷歌学术一个 

  62. Mor G. & Cardenas I. The Immune System in Pregnancy: A Unique Complexity. Am J Reprod Immunol N. Y. N 1989 2010;63:425–433.

  63. Abu-Raya B, Michalski C, Sadarangani M, Lavoie PM.Maternal Immunological Adaptation During Normal Pregnancy.前免疫学。2020;11:575197.https://doi.org/10.3389/fimmu.2020.575197。Reyes-Lagos JJ, et al.

  64. Neuroautonomic activity evidences parturition as a complex and integrated neuro-immune-endocrine process.安纽约科学院。2019;1437:22–30.

    文章一个 中科院一个 考研一个 谷歌学术一个 

  65. ACOG。Methods for Estimating the Due Date.2022. https://www.acog.org/clinical/clinical-guidance/committee-opinion/articles/2017/05/methods-for-estimating-the-due-date。Khambalia AZ, et al.

  66. Predicting date of birth and examining the best time to date a pregnancy.Int J Gynecol Obstet。2013;123:105–9.

    文章一个 谷歌学术一个 

  67. De Silva DA, et al.Timing of delivery in a high-risk obstetric population: a clinical prediction model.BMC 怀孕分娩。2017;17:202.

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  68. Islam MN, Mustafina SN, Mahmud T, Khan NI.Machine learning to predict pregnancy outcomes: a systematic review, synthesizing framework and future research agenda.BMC 怀孕分娩。2022;22:348.

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  69. Vankayalapati P, et al.Ultrasound assessment of cervical length in prolonged pregnancy: prediction of spontaneous onset of labor and successful vaginal delivery.妇产科超声检查。2008;31:328–31.

    文章一个 中科院一个 考研一个 谷歌学术一个 

  70. Tanir H, Sener T, Yildiz Z. Digital and transvaginal ultrasound cervical assessment for prediction of successful labor induction.Int J Gynecol Obstet。2008;100:52–5.

    文章一个 中科院一个 谷歌学术一个 

  71. Erickson EN, et al. Predicting labor onset relative to the estimated date of delivery using smart ring physiological data. Npj Digit Med. 2023;6:1–13.

    文章一个 谷歌学术一个 

  72. Aras SG. Sensor Fabric. Published online August 29, 2024.https://github.com/UArizonaCB2/sensorfabric-py. Accessed 30 Sept 2024.

  73. Newman M, Pratt SM, Curran DA, Stanczyk FZ.Evaluating urinary estrogen and progesterone metabolites using dried filter paper samples and gas chromatography with tandem mass spectrometry (GC–MS/MS).BMC 化学。2019;13:20.

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  74. Leise TL.Wavelet analysis of circadian and ultradian behavioral rhythms.J昼夜节律。2013;11:5.

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  75. Leise TL. Chapter Five - Wavelet-Based Analysis of Circadian Behavioral Rhythms. in Methods in Enzymology (ed. Sehgal, A.) 2015;551:95–119. (Academic Press, 2015).

  76. Grant AD, Newman M, Kriegsfeld LJ. Ultradian rhythms in heart rate variability and distal body temperature anticipate onset of the luteinizing hormone surge. Sci Rep. 2020;10:20378.

    文章一个 中科院一个 考研一个 考研中心一个 谷歌学术一个 

  77. Shechter A, Boudreau P, Varin F, Boivin DB. Predominance of distal skin temperature changes at sleep onset across menstrual and circadian phases. J Biol Rhythms. 2011;26:260–70.

    文章一个 考研一个 谷歌学术一个 

  78. Henane R, Buguet A, Roussel B, Bittel J. Variations in evaporation and body temperatures during sleep in man.应用生理学杂志。1977;42:50–5.

    文章一个 中科院一个 考研一个 谷歌学术一个 

  79. Hochreiter S, Schmidhuber J. Long Short-Term Memory.神经计算。1997;9:1735–80.

    文章一个 中科院一个 考研一个 谷歌学术一个 

  80. Rim B, Sung N-J, Min S, Hong M. Deep learning in physiological signal data: a survey.传感器。2020;20:969.

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  81. Cahuantzi R, Chen X & Güttel S. A Comparison of LSTM and GRU Networks for Learning Symbolic Sequences. in Intelligent Computing (ed. Arai, K.) 771–785 (Springer Nature Switzerland, Cham, 2023).https://doi.org/10.1007/978-3-031-37963-5_53。Zhou Y, Dong H, El Saddik A. Deep learning in next-frame prediction: a benchmark review.

  82. IEEE 访问。2020;8:69273–83.

    文章一个 谷歌学术一个 

  83. Shi X, Chen Z, Wang H, Yeung DY, Wong WK, Woo WC.Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting.In: Advances in Neural Information Processing Systems, vol 28. Curran Associates, Inc.;2015年。

  84. Yildirim O, Tan RS, Acharya UR. An efficient compression of ECG signals using deep convolutional autoencoders. Cogn Syst Res. 2018;52:198–211.

    文章一个 谷歌学术一个 

  85. N. M. N. Leite, E. T. Pereira, E. C. Gurjão, & L. R. Veloso.Deep Convolutional Autoencoder for EEG Noise Filtering.在2018年IEEE International Conference on Bioinformatics and Biomedicine (BIBM) 2018:2605–2612.https://doi.org/10.1109/BIBM.2018.8621080。Konopka CK, et al.

  86. Maternal serum progesterone, estradiol and estriol levels in successful dinoprostone-induced labor.布拉兹医学生物研究杂志。2013;46:91–7.

    文章一个 中科院一个 考研一个 考研中心一个 谷歌学术一个 

  87. Klerman EB, et al.Keeping an eye on circadian time in clinical research and medicine.临床翻译医学。2022;12:e1131.

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  88. Pelayo RA, Xu S, Walter JR.Embryo transfers performed during daylight savings time led to reduced live birth rates in older patients.J 辅助生殖基因。2023;40:2639–47.

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  89. Sobol M, BÅ‚achnio A, Meisner M, Szyszkowska J, Jankowski KS.Sleep, circadian activity patterns and postpartum depression: A systematic review and meta-analysis of actigraphy studies.J睡眠研究。2023 年。https://doi.org/10.1111/jsr.14116。文章

    一个 考研一个 谷歌学术一个 Ravindra NG, et al. Deep representation learning identifies associations between physical activity and sleep patterns during pregnancy and prematurity. Npj Digit Med. 2023;6:1–16.文章一个 

  90. 谷歌学术

    一个 Rowan SP, Lilly CL, Claydon EA, Wallace J, Merryman K. Monitoring one heart to help two: heart rate variability and resting heart rate using wearable technology in active women across the perinatal period.BMC 怀孕分娩。2022;22:887.

  91. 文章

    一个 考研一个 考研中心一个 谷歌学术一个 Vázquez-Diosdado JA, et al.Accurate prediction of calving in dairy cows by applying feature engineering and machine learning.

  92. 上一页 兽医医学。2023;219:106007.

    文章一个 考研一个 谷歌学术一个 

  93. Oberg AS, Frisell T, Svensson AC, Iliadou AN.Maternal and fetal genetic contributions to postterm birth: familial clustering in a population-based sample of 475,429 Swedish births.《流行病学杂志》。2013;177:531–7.

    文章一个 考研一个 谷歌学术一个 

  94. Kumar M, Saadaoui M, Al Khodor S. Infections and Pregnancy: Effects on Maternal and Child Health.前细胞感染微生物。2022;12:873253。

    文章一个 中科院一个 考研一个 考研中心一个 谷歌学术一个 

  95. Lilliecreutz C, Larén J, Sydsjö G, Josefsson A. Effect of maternal stress during pregnancy on the risk for preterm birth.BMC 怀孕分娩。2016;16:5.

    文章一个 考研一个 考研中心一个 谷歌学术一个 

  96. Pereira IB, Silva R, Ayres-de-Campos D & Clode N. Physical exercise at term for enhancing the spontaneous onset of labor: a randomized clinical trial. J Matern Fetal Neonatal Med Off J Eur Assoc Perinat Med Fed Asia Ocean Perinat Soc Int Soc Perinat Obstet. 2022;35:775–779.

  97. Shachar BZ, et al.Effects of race/ethnicity and BMI on the association between height and risk for spontaneous preterm birth.Am J Obstet Gynecol。2015年。https://doi.org/10.1016/j.ajog.2015.07.005。文章

    一个 考研一个 考研中心一个 谷歌学术一个 Riley KL, et al.Body Mass Index Change between Pregnancies and Risk of Spontaneous Preterm Birth.

  98. Am J Perinatol。2016;33:1017–22.

    文章一个 中科院一个 考研一个 谷歌学术一个 

  99. Shaw GM, et al.Maternal prepregnancy body mass index and risk of spontaneous preterm birth.儿科围产期流行病。2014;28:302–11.

    文章一个 考研一个 谷歌学术一个 

  100. Singh M.等人。Autoimmune diseases and adverse pregnancy outcomes: an umbrella review.伦敦柳叶刀。英语。 2023;402(Suppl 1):S84.Windsperger K, et al. Exposure to night-time light pollution and risk of prolonged duration of labor: A nationwide cohort study. Birth Berkeley Calif. 2022;49:87–96.

  101. 文章

    一个 考研一个 谷歌学术一个 Menon R, Bonney EA, Condon J, Mesiano S, Taylor RN.Novel concepts on pregnancy clocks and alarms: redundancy and synergy in human parturition.

  102. 嗡嗡声重现更新。2016;22:535–60.

    文章一个 中科院一个 考研一个 考研中心一个 谷歌学术一个 

  103. Menon R. Fetal inflammatory response at the fetomaternal interface: A requirement for labor at term and preterm. Immunol Rev. 2022;308:149–67.

    文章一个 中科院一个 考研一个 考研中心一个 谷歌学术一个 

  104. Vannuccini S, Bocchi C, Severi FM, Challis JR, Petraglia F. Endocrinology of human parturition. Ann Endocrinol. 2016;77:105–13.

    文章一个 谷歌学术一个 

下载参考资料

致谢

We acknowledge the contributions of time and data provided by the pregnant participants enrolled in this study, the research assistance from Sage Fannuci-Funes, CNM, DNP; and Gunjal Parekh for early data analysis. We would also like to thank Precision Analytical for assistance in processing and analyzing urine hormone samples.

资金

The present study was funded by Tech Launch Arizona at the University of Arizona; the parent study was funded by the Oregon Clinical Translational Research Institute supported by the National Center for Advancing Translational Sciences (NCATS), National Institutes of Health, through Grant Award Number UL1TR002369 and through an Oregon Health and Sciences University School of Nursing Foundation Innovations award. The content is solely the responsibility of the authors and does not necessarily represent the official views of the NIH or other funders. This was an investigator-led study to which Ouraring Inc. provided rings and data access as part of a data use agreement between institutions.

作者信息

作者笔记

  1. Chinmai Basavaraj and Azure D. Grant equal lead-author contribution.

  2. Shravan G. Aras and Elise N. Erickson equal senior author contribution.

作者和单位

  1. Department of Computer Science, The University of Arizona, Tucson, AZ, USA

    Chinmai Basavaraj

  2. People Science, Inc., Los Angeles, CA, USA

    Azure D. Grant

  3. Center for Biomedical Informatics and Biostatistics, The University of Arizona, Tucson, AZ, USA

    Shravan G. Aras

  4. College of Nursing, The University of Arizona, Tucson, AZ, USA

    Elise N. Erickson

贡献

Study conception and design (EE, AG, SA, CB).Data analysis (CB, AG, SA, EE).Manuscript preparation (AG, EE, SA, CB).所有作者阅读并批准了最终手稿。

通讯作者

通讯至Elise N. Erickson。道德声明

利益竞争

Ouraring Inc. had the opportunity review the manuscript though was not involved in study analysis or preparation of results.

作者声明没有竞争利益。Consent to publish: not applicable.

附加信息

Publisher’s Note

施普林格·自然对于已出版的地图和机构隶属关系中的管辖权主张保持中立。

补充信息

12884_2024_6862_MOESM1_ESM.pdf

Supplementary Material 1: Supplemental Figure 1. Data Preprocessing and Cleaning. Pre-Processing and Cleaning: data ingestion (A) and pre-processing pipelines (B). A): De-identified biomarker data from Ouraring, including high fidelity temperature and IBI are ingested into a campus secure Amazon Web Services (AWS) S3 bucket indicated by (1). Data is then parsed to generate structured schema, table meta-data in AWS glue, and participant partitions (to accelerate querying of per minute temperature data). These are then fed into a serverless querying solution provided by AWS Athena as shown by (2). B) We pass the raw minute temperatures from the device through pre-processing steps. First, we average the raw values over a 5-minute window, segment it into 24-hour periods starting at 10am each day, which allows the neural network model to learn from daily patterns (both day and night variation). Next, we remove data collected by the ring during non-wear time by using the 5 min activity labels provided by the ring, indicating wear/non-wear. Finally, we employed linear interpolation to account for missing and non-wear daily data. The final output is fed to a DNN model.

Supplemental Figure 2. Autoencoder Structure. Supplemental Figure 2. Auto encoders are divided into 2 parts – encoder and decoder. The encoder is responsible for converting values from feature space to latent space, while the decoder is responsible for converting them back to the feature space. AE train in an unsupervised setting where the object loss function MAE, measures the loss of reconstructing the original signal from the latent representation. In the encoder part of the AE, Input data of size 288 is fed into a series of three convolutional blocks. Each convolutional block comprises of a 1-D convolutional layer coupled with a max-pooling layer that enables reduction in data dimensionality. Output from the final convolutional layer is flattened and fed into a dense fully connected layer to produce the encoded representation. The decoder is a mirror image of the encoder. In the case of the decoder, the max-pooling layer is replaced by an up-sampling layer that gradually increases the dimensionality back to the original feature space.

Supplemental Figure 3. Long Short-Term Memory Model Structure. Supplemental Figure 3. LSTM Stage (establishing the sequential relation): The LSTM model takes a sequence of 64-dimensional encoded vectors that represent daily skin temperature as input, and outputs days till labor relative to the current gestational age. We use zero-padding to conform the input sequences to a uniform length and the masking layer excludes zero values during analysis. The output of the masking layer is fed into an LSTM layer that is recurrent in nature. The LSTM layer has 128 units, and we use tanh as the activation function. We use layer normalization102to normalize each output of the LSTM layer. Layer normalization reduces the dependency on batches, improves model performance, and is best suited for sequence-to-sequence models. Finally, the layer normalized output of the LSTM layer is fed into a dense layer with 128 units and linear activation function to output the days remaining to labor relative to current gestational age.

Supplemental Figure 4. Spontaneous Labors Progesterone and Estrogen Metabolites Decrease in the 10 Days Prior to Labor Onset. Supplemental Figure 4. Group means ± SEM of normalized hormone concentrations in the 10 days leading up to spontaneous labor onset (n =18). Estrogens, as well as α- and β-pregnanediol decreased across the 10 days prior to labor onset (# = p<0.05 in Mann Kendall trend over time), a trend which disappeared or even reversed in the 2 days prior to labor onset (n.s.).

Supplemental Figure 5. Model Error Is Reduced Compared to Traditional Due Date Error Across Individual Spontaneous Labors.Supplemental Figure 5. Spontaneously laboring mothers’ due date error in weeks (dark blue, left pointing bars), compared to the error in weeks of the model-estimated due date (light blue, right pointing bars) one week prior to labor onset。Participants are sorted from smallest traditional due date error to largest.84% of participants would have had lower error in due date prediction under the current model compared with their standard due date.Traditional due date error in this cohort was 6.3 days +/- 4.3 days (95% C.I.) as compared to 0.7 +/- 2.1, corresponding to an error rate 5.2x higher using traditional due dates.

Supplemental Figure 6. Spontaneous Individual Skin Temperature Trajectories. Supplemental Figure 6. Spontaneous individually z-scored temperature trajectories across the last two weeks of pregnancy. Participant ID and model error are displayed in the title for each individual.

Supplemental Figure 7. Spontaneous Model Performance Differs by Parity, but Not by BMI or Maternal Age Category. Supplemental Figure 7. Error distribution leading up to labor onset compared by maternal parity (nulliparousn =23 vs. multiparousn =28), BMI (overweightn =15 or not overweightn =36), and age (<35n=38 or >=35n=13) mean +/- 95% confidence interval. Mean value differs between nulliparous and multiparous on average from days 28 to 14 before labor (p=0.02).Supplemental Figure 8. Replacing Different Portions of Input Data With Zeros Reveals That Model Learns Relatively More From Final Days of Temperature Data Before Labor Onset. Supplemental Figure 8. In order to evaluate what portions of temperature timeseries were most impactful on model prediction quality, and to test that the model was not hallucinating, we ran our trained model on data modified as follows. A) Mean model performance in spontaneous labors (black), compared to model performance on data sets in which all data are flatlined (replaced with zeros, dark blue), in which the first 10 days are flatlined (red), in which the last 5 days are flatlined (green), or in which a random 10 days are flatlined (light blue). All flatlined results exhibit substantially higher error, with the last 5 days seeming to be especially important for model performance. B) Mean model performance when different segments of data were replaced with Gaussian noise (rgaussian). First 10 refers to the first 10 days of data (red), last 5 refers to the last 5 days before labor onset (green), and random 10 refers to a random set of days (light blue). C) Mean model performance when existing data has gaussian noise added to it during all days (dark blue), the first 10 days (red), the last 5 days (green) and a random 10 days (blue). The error trajectories demonstrate that our model is resilient to noise with a slight increase in labor prediction error with introduction of gaussian noise. Error trajectories demonstrate what the LSTM has “learned” independent of input data, but that modifying or removing data reduces accuracy.权利和权限

开放获取

引用这篇文章

Check for updates. Verify currency and authenticity via CrossMark

Basavaraj, C., Grant, A.D., Aras, S.G.

等人。Deep learning model using continuous skin temperature data predicts labor onset.BMC 怀孕分娩24 , 777 (2024). https://doi.org/10.1186/s12884-024-06862-9下载引文

已收到

  • 2024 年 8 月 3 日

  • 2024 年 9 月 25 日

  • 2024 年 11 月 25 日

  • https://doi.org/10.1186/s12884-024-06862-9关键词

Keywords

关于《使用连续皮肤温度数据的深度学习模型预测分娩开始》的评论


暂无评论

发表评论

摘要

Basavaraj 等人发表在《BMC Pregnancy and Childbirth》上的题为“Deep Learning model using Continuous皮肤温度数据预测临产开始”的文章探讨了使用深度学习算法根据连续皮肤温度数据预测临产开始。以下是研究的要点和细节:### 研究概述- **目标**:开发一种深度学习模型,可以使用可穿戴设备收集的连续皮肤温度数据准确预测分娩的开始。- **方法**:该研究利用了 LSTM(长短期记忆)神经网络,这是一种循环神经网络,能够处理连续数据,例如来自可穿戴设备的时间序列信息。### 主要发现1. **数据收集和预处理**:- 使用可穿戴设备从孕妇那里收集连续的皮肤温度数据。- 数据预处理涉及对原始温度读数进行标准化,以确保参与者之间的一致性。2. **模型架构**:- LSTM 模型旨在捕获时间序列数据中的时间依赖性。- 模型架构包括多个用于特征提取和预测的层。3. **绩效评估**:- 使用平均绝对误差 (MAE) 和均方根误差 (RMSE) 等指标评估模型性能。- 研究发现该模型可以非常准确地预测分娩开始时间,优于传统的预产期预测。4. **数据质量对预测准确性的影响**:- 研究表明,最新的温度数据对于准确预测尤为重要,这表明该模型在很大程度上依赖于分娩前的最后几天。### 补充数字- **图 5(补充图 6)**:显示怀孕最后两周的个体 z 评分温度轨迹。- **图 6(补充图 7)**:展示误差分布如何随胎次、BMI 和母亲年龄类别而变化。- **图 7(补充图 8)**:修改或删除不同数据段时评估模型性能。### 影响- 研究结果表明,可穿戴技术可能成为产科护理中的一个有价值的工具,可以比传统方法更准确地预测分娩开始。- 这种方法有可能改善产前和分娩计划,确保医疗保健提供者和孕妇做好更好的准备。### 结论该研究证明了深度学习算法在分析连续生理数据以预测临产等复杂事件方面的有效性。它强调了将可穿戴技术集成到常规产科护理中的潜在好处,为未来的研究和临床应用提供了有希望的方向。### 开放获取许可证- 本文获得知识共享署名 4.0 国际 (CC BY 4.0) 许可,允许免费使用、共享、改编、分发和复制,并适当注明作者和来源。本摘要概括了该研究的关键方面,利用先进的数据分析技术全面概述了该研究对产科护理领域的贡献。研究