Classificação de exames de cardiotocografia usando modelagem por inteligência artificial

Abstract

Introdução: A cardiotocografia (CTG) avalia o bem-estar fetal durante o parto, mas sua interpretação pode gerar falsos positivos. Este estudo buscou aprimorar a interpretação da CTG usando técnicas de inteligência artificial (IA). Analisando 2.126 exames com 22 parâmetros, incluindo classificações de saúde fetal, técnicas de seleção de variáveis foram aplicadas. Modelos de IA, como árvore de decisão, random forest, regressão logística e naive bayes, foram implementados. Métodos: A análise exploratória identificou características cruciais para prever a saúde fetal, enfatizando a importância da avaliação sistemática das variáveis. Estratégias de correlação foram usadas na criação de conjuntos de dados específicos, fortalecendo a base para comparar modelos. Resultados: A avaliação do desempenho, com métricas como acurácia e F2-score em diferentes conjuntos de variáveis, mostrou melhorias consistentes ao incorporar mais variáveis. Os modelos random forest destacaram-se, indicando eficácia na classificação dos resultados da CTG. Conclusão: A abordagem estratificada na seleção de variáveis foi ressaltada para otimizar a precisão dos modelos. Essa análise proporciona insights para interpretar dados cardiotocográficos, destacando a relevância clínica e a aplicabilidade dos modelos de IA na medicina obstétrica. Contribui para futuras pesquisas e desenvolvimentos na área.