Konenäköavusteinen sikiöntarkkailu synnytyksen hoidon laadun, vaikuttavuuden ja kustannustehokkuuden parantamisessa

Abstract

Tämä diplomityö käsittelee tekoälyavusteisen sikiöntarkkailun vaikutuksia synnytyksen hoidon laatuun, vaikuttavuuteen ja kustannustehokkuuteen. Työssä syvennetään terveydenhuollon arvon käsitettä ja arvioidaan kardiotokografian (KTG) konenäköperustaisen tulkintamenetelmän tarkkuutta ja herkkyyttä sikiön hypoksian varhaisen indikaattorin, korostuneen sykkeen vaihtelevuuden eli siksak-kuvion tunnistamisessa synnytyksen aikana.

Diplomityöhön liittyvä tutkimusosio hyödynsi synnytyskertomustietoja, laboratoriovastauksia ja KTG-rekisteröintejä 4988:ssa täysiaikaisesta synnytyksestä. Näitä tarkasteltiin koneoppimismenetelmiä käyttäen. KTG-dataa analysoitiin konenäköavusteisesti yhteensä 470 560 minuuttia. Siksak-kuvio esiintyi 576:lla (11,5 %) sikiöllä. Konenäköalgoritmin tulkintoja verrattiin kokeneiden synnytyslääkäreiden muodostaman konsensuksen visuaaliseen arvioon. Tutkimuksen lopputulosmuuttujina käytettiin napanuoran valtimoverestä syntymähetkellä otettuja verikaasuanalyysin tuloksia ja vastasyntyneen hypoksiaperäisten komplikaatioiden esiintyvyyttä.

Tämän diplomityön tulokset osoittavat, että konenäköperustainen KTG-luokitinalgoritmi tunnisti siksak-kuvion yli 98 % tarkkuudella ja herkkyydellä. Yhteneväisyys oli suurinta tapauksissa, joissa vastasyntyneellä todettiin vaikea hypoksiaperäinen komplikaatio. Tämän uuden automatisoidun teknologian käyttö vähensi lisäksi merkittävästi ensimmäisten elinvuorokausien hoitokustannuksia (kustannussäästö yhdellä hyvinvointialueella vuodessa yli 200 000 euroa) ja paransi hoitoprosessien laatua ja turvallisuutta.

Diplomityö korostaa konenäköavusteisen sikiöntarkkailun potentiaalia synnytysopillisen päätöksenteon kehittämisessä. Koneoppimismenetelmien soveltaminen KTG-tulkintaan lisää sikiöntarkkailun luotettavuutta ja vaikuttavuutta, ja lisää synnytyksen hoidon arvoa vaikuttamalla myönteisesti väestön terveyteen, optimoimalla potilaskokemusta ja pienentämällä hoitokustannuksia. Tämä diplomityö puoltaa arvoperustaisen terveydenhuollon mallia, jossa teknologian hyödyntäminen mahdollistaa parempien hoitotulosten saavuttamisen tehokkaammin ja taloudellisemmin. Tulevaisuudessa tutkimusta suunnataan edelleen uusiin kliinisiin ympäristöihin ja suurempiin syntymäkohortteihin. Samalla kehitetään uusia sikiönvalvonnan algoritmeja, jotka tukevat sikiön hypoksian ennakointia ja tunnistamisesta, ja edistävät näin koko terveydenhuoltojärjestelmän arvon kasvua.

This thesis observed effects of computer vision-assisted cardiotocgraphic (CTG) monitoring on improving the quality, effectiveness, and cost-efficiency of childbirth care. A novel machine learning (ML) computer vision algorithm in recognizing a hypoxia-related zigzag pattern in CTG recording during childbirth was evaluated. The dataset comprised CTG recordings converted to images from singleton term deliveries (N=4988) during a year at Helsinki University Hospital, with the zigzag pattern manifesting in 576 (11.5%). Through a meticulous CTG data set engineering workflow, a refined dataset was obtained, featuring 470,560 minutes of FHR data.

This study tested two hypotheses, both of which were accepted. Firstly, the results of the present study confirmed that CTG interpretation based on computer vision by default can identify the early sign of fetal hypoxia, the zigzag pattern of FHR, with 98.1% accuracy compared with an interpretation by the consensus of expert obstetricians. Secondly, the computer vision algorithm implemented to intrapartum CTG recording reduced the immediate financial costs of neonatal hypoxia in one hospital district by more than 200,000 euros per year. Furthermore, the computer vision CTG algorithm improved the safety of childbirth care and increasing its value.

The present thesis highlights the potential of computer vision-assisted electronic fetal monitoring to enhance the quality and cost-efficiency of childbirth care. The application of ML-methods in CTG interpretation not only increases the reliability and impact of fetal monitoring but also promotes the standards in Triple Aim framework: improves public health, optimizes patient experience, and reduces care costs. This thesis supports value-based healthcare, where the use of technology enables improved care outcomes both efficiently and economically. Future research is necessary in new clinical settings and birth cohorts to further develop fetal surveillance algorithms that support the detection of indicators of fetal hypoxia, thereby enhancing the value of the entire healthcare system.