Lead-Time Dependence of Fetal Acidaemia Prediction from Intrapartum Cardiotocography: A Balanced-Panel Benchmark of Feature-Based and Deep Classifiers Against Clinical Baselines

Abstract

Models that predict fetal acidaemia from intrapartum cardiotocography (CTG) are almost always fitted to the segment of trace immediately preceding delivery and summarised by a single figure of discrimination, a design that cannot show whether a warning could be produced early enough to act upon. This study makes the interval to delivery an explicit variable. From 552 recordings in an open-access intrapartum database, a balanced panel of 318 women with 100 acidaemic cases was formed in which four non-overlapping 15-minute windows, ending 45, 30, 15 and 0 minutes before birth, were all of usable quality. One cross-validation partition was reused for every window, feature set and model. Six feature-based learners on 61 physiological descriptors and four sequence networks on the waveform were compared with twelve maternal and obstetric variables known before labour and with a window-adapted FIGO 2015 reading of the same windows. The cross-validated area under the receiver operating characteristic curve (AUROC) was 0.527, 0.492, 0.667 and 0.636 along the axis. Against an empirical permutation null, the two earliest windows were indistinguishable from chance and the two latest were not. The area under the precision–recall curve in the early windows (0.36 and 0.34) barely exceeded the prevalence of 0.31, and the FIGO reading traced the same curve (AUROC 0.53 to 0.63), which the learned models never significantly exceeded. Net benefit was positive only in the final two windows. Information useful for predicting acidaemia is concentrated in the last quarter of an hour before birth.

Keywords

• Cardiotocography
• conformal prediction
• decision curve analysis
• deep learning
• fetal acidaemia
• lead-time analysis
• quantum machine learning

İntrapartum Kardiyotokografiden Fetal Asidemi Tahmininin Doğuma Kalan Süreye Bağımlılığı: Özellik Tabanlı, Derin Öğrenme ve Kuantum Sınıflandırıcılarının Dengeli Panel Karşılaştırması

Abstract

İntrapartum kardiyotokografiden (KTG) fetal asidemiyi tahmin eden modeller, çoğunlukla doğumdan hemen önceki sinyal bölümüne eğitilmekte ve tek bir ayırt edicilik (discrimination) ölçütü ile özetlenmektedir. Bu yaklaşım, klinik olarak müdahale edilebilecek kadar erken bir uyarının üretilebilip üretilemeyeceğini gösterememektedir. Bu çalışmada doğuma kalan süre açık bir değişken olarak ele alınmıştır. Açık erişimli bir intrapartum KTG veri tabanındaki 552 kayıttan, aynı kadında doğumdan 45, 30, 15 ve 0 dakika önce sona eren, birbirini örtmeyen dört adet 15 dakikalık pencerenin tamamının yeterli sinyal kalitesine sahip olduğu 100 asidemi olgusunu içeren 318 kadından oluşan dengeli bir panel oluşturulmuştur. Tek bir çapraz doğrulama bölünmesi oluşturulmuş ve tüm zaman pencereleri, özellik kümeleri ve modeller için yeniden kullanılmıştır. Altmış bir fizyolojik özelliğe dayalı altı makine öğrenmesi modeli, ham dalga biçimine uygulanan dört derin öğrenme ağı ve uzlaşı temelli özellik seçimiyle elde edilen azaltılmış özellik kümesine uygulanan, klasik karşılaştırıcılarla eşleştirilmiş iki kuantum sınıflandırıcısı değerlendirilmiştir. Çapraz doğrulama ile elde edilen ayırt edicilik değerleri sırasıyla 0.527, 0.492, 0.667 ve 0.636 olarak bulunmuştur. Etiket permütasyonu ile oluşturulan ampirik sıfır dağılımına göre, ilk iki zaman penceresindeki performans şanstan ayırt edilemezken, son iki zaman penceresindeki performans anlamlı düzeyde daha yüksektir. Doğum başlamadan önce bilinen 12 maternal ve obstetrik değişken ile oluşturulan model 0.646 ayırt edicilik değerine ulaşmış, KTG sinyali ise hiçbir zaman bu performansı anlamlı düzeyde aşamamıştır. Karar eğrisi analizine göre net klinik fayda yalnızca son iki zaman penceresinde pozitiftir. Konformal tahmin yaklaşımında model tek bir sınıf etiketi vermeyi tercih ettiğinde, erken zaman pencerelerindeki olguların %52'sinde doğru tahminde bulunmuştur. Bulgular, fetal asidemiyi öngörmede yararlı bilginin büyük ölçüde doğumdan önceki son 15 dakikalık dönemde yoğunlaştığını göstermektedir.

Keywords

• Kardiyotokografi
• konformal tahmin
• karar eğrisi analizi
• derin öğrenme
• fetal asidemi
• doğuma kalan süre analizi
• kuantum makine öğrenmesi

References

1. [1] M. Rei, S. Tavares, P. Pinto, A. P. Machado, S. Monteiro, A. Costa, C. Costa-Santos, J. Bernardes, and D. Ayres-de-Campos, "Interobserver agreement in CTG interpretation using the 2015 FIGO guidelines for intrapartum fetal monitoring," Eur. J. Obstet. Gynecol. Reprod. Biol., vol. 205, pp. 27–31, 2016, doi: 10.1016/j.ejogrb.2016.08.017.
2. [2] Z. Alfirevic, D. Devane, G. M. L. Gyte, and A. Cuthbert, "Continuous cardiotocography (CTG) as a form of electronic fetal monitoring (EFM) for fetal assessment during labour," Cochrane Database Syst. Rev., vol. 2, no. 2, Art. no. CD006066, 2017, doi: 10.1002/14651858.CD006066.pub3.
3. [3] V. Chudáček, J. Spilka, M. Burša, P. Janků, L. Hruban, M. Huptych, and L. Lhotská, "Open access Intrapartum Cardiotocography Database," BMC Pregnancy Childbirth, vol. 14, Art. no. 16, 2014, doi: 10.1186/1471-2393-14-16.
4. [4] Z. Zhao, Y. Deng, Y. Zhang, Y. Zhang, X. Zhang, and L. Shao, "DeepFHR: Intelligent prediction of fetal acidemia using fetal heart rate signals based on convolutional neural network," BMC Med. Inform. Decis. Mak., vol. 19, no. 1, Art. no. 286, 2019, doi: 10.1186/s12911-019-1007-5.
5. [5] Y. Xiao, Y. Lu, M. Liu, R. Zeng, and J. Bai, "A deep feature fusion network for fetal state assessment," Front. Physiol., vol. 13, Art. no. 969052, 2022, doi: 10.3389/fphys.2022.969052.
6. [6] P. Fuentealba, A. Illanes, and F. Ortmeier, "Cardiotocograph data classification improvement by using empirical mode decomposition," in Proc. 41st Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. (EMBC), Berlin, Germany, 2019, pp. 5646–5649, doi: 10.1109/EMBC.2019.8856673.
7. [7] S. L. Sholapurkar, "The present and future of intrapartum computerized cardiotocography: Role of pattern recognition incorporating single vs. multiple parameters," J. Matern. Fetal Neonatal Med., vol. 35, no. 25, pp. 7452–7458, 2022, doi: 10.1080/14767058.2021.1949453.
8. [8] L. Mendis, D. Karmakar, M. Palaniswami, F. Brownfoot, and E. Keenan, "Cross-database evaluation of deep learning methods for intrapartum cardiotocography classification," IEEE J. Transl. Eng. Health Med., vol. 13, pp. 123–135, 2025, doi: 10.1109/JTEHM.2025.3548401.

9. [9] S. Tagliaferri, F. G. Esposito, G. Esposito, G. Saccone, M. G. Signorini, G. Magenes, M. Campanile, M. Guida, and F. Zullo, "Impact of nuchal cord on antenatal and intrapartum foetal heart rate surveillance and perinatal outcome," J. Obstet. Gynaecol., vol. 40, no. 3, pp. 316–323, 2020, doi: 10.1080/01443615.2019.1621816.
10. [10] G. S. Collins et al., "TRIPOD+AI statement: Updated guidance for reporting clinical prediction models that use regression or machine learning methods," BMJ, vol. 385, Art. no. e078378, 2024, doi: 10.1136/bmj-2023-078378.
11. [11] M. Ojala and G. C. Garriga, "Permutation tests for studying classifier performance," J. Mach. Learn. Res., vol. 11, pp. 1833–1863, 2010.
12. [12] A. J. Vickers and E. B. Elkin, "Decision curve analysis: A novel method for evaluating prediction models," Med. Decis. Making, vol. 26, no. 6, pp. 565–574, 2006, doi: 10.1177/0272989X06295361.
13. [13] V. Vovk, A. Gammerman, and G. Shafer, Algorithmic Learning in a Random World. New York, NY, USA: Springer, 2005, doi: 10.1007/b106715.
14. [14] D. Ayres-de-Campos, C. Y. Spong, and E. Chandraharan, "FIGO consensus guidelines on intrapartum fetal monitoring: Cardiotocography," Int. J. Gynaecol. Obstet., vol. 131, no. 1, pp. 13–24, 2015, doi: 10.1016/j.ijgo.2015.06.020.
15. [15] A. L. Goldberger, L. A. N. Amaral, L. Glass, J. M. Hausdorff, P. C. Ivanov, R. G. Mark, J. E. Mietus, G. B. Moody, C.-K. Peng, and H. E. Stanley, "PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals," Circulation, vol. 101, no. 23, pp. e215–e220, 2000, doi: 10.1161/01.cir.101.23.e215.
16. [16] J. S. Richman and J. R. Moorman, "Physiological time-series analysis using approximate entropy and sample entropy," Am. J. Physiol. Heart Circ. Physiol., vol. 278, no. 6, pp. H2039–H2049, 2000, doi: 10.1152/ajpheart.2000.278.6.H2039.
17. [17] C.-K. Peng, S. Havlin, H. E. Stanley, and A. L. Goldberger, "Quantification of scaling exponents and crossover phenomena in nonstationary heartbeat time series," Chaos, vol. 5, no. 1, pp. 82–87, 1995, doi: 10.1063/1.166141.
18. [18] L. Breiman, "Random forests," Mach. Learn., vol. 45, no. 1, pp. 5–32, 2001, doi: 10.1023/A:1010933404324.
19. [19] T. Chen and C. Guestrin, "XGBoost: A scalable tree boosting system," in Proc. 22nd ACM SIGKDD Int. Conf. Knowl. Discov. Data Min., San Francisco, CA, USA, 2016, pp. 785–794, doi: 10.1145/2939672.2939785.
20. [20] S. Bai, J. Z. Kolter, and V. Koltun, "An empirical evaluation of generic convolutional and recurrent networks for sequence modeling," 2018, arXiv:1803.01271.
21. [21] A. Gu and T. Dao, "Mamba: Linear-time sequence modeling with selective state spaces," 2023, arXiv:2312.00752.
22. [22] V. Havlíček, A. D. Córcoles, K. Temme, A. W. Harrow, A. Kandala, J. M. Chow, and J. M. Gambetta, "Supervised learning with quantum-enhanced feature spaces," Nature, vol. 567, no. 7747, pp. 209–212, 2019, doi: 10.1038/s41586-019-0980-2.
23. [23] S. Thanasilp, S. Wang, M. Cerezo, and Z. Holmes, "Exponential concentration in quantum kernel methods," Nat. Commun., vol. 15, no. 1, Art. no. 5200, 2024, doi: 10.1038/s41467-024-49287-w.
24. [24] F. Pedregosa et al., "Scikit-learn: Machine learning in Python," J. Mach. Learn. Res., vol. 12, pp. 2825–2830, 2011.
25. [25] A. Paszke et al., "PyTorch: An imperative style, high-performance deep learning library," in Proc. Adv. Neural Inf. Process. Syst. 32 (NeurIPS), Vancouver, BC, Canada, 2019, pp. 8024–8035.
26. [26] B. Van Calster, D. J. McLernon, M. van Smeden, L. Wynants, and E. W. Steyerberg, "Calibration: The Achilles heel of predictive analytics," BMC Med., vol. 17, no. 1, Art. no. 230, 2019, doi: 10.1186/s12916-019-1466-7.
27. [27] R. D. Riley, K. I. E. Snell, J. Ensor, D. L. Burke, F. E. Harrell, K. G. M. Moons, and G. S. Collins, "Minimum sample size for developing a multivariable prediction model: Part II—Binary and time-to-event outcomes," Stat. Med., vol. 38, no. 7, pp. 1276–1296, 2019, doi: 10.1002/sim.7992.
28. [28] H.-Y. Huang, M. Broughton, M. Mohseni, R. Babbush, S. Boixo, H. Neven, and J. R. McClean, "Power of data in quantum machine learning," Nat. Commun., vol. 12, no. 1, Art. no. 2631, 2021, doi: 10.1038/s41467-021-22539-9.
29. [29] G. H. A. Visser and D. Ayres-de-Campos, "FIGO consensus guidelines on intrapartum fetal monitoring: Adjunctive technologies," Int. J. Gynaecol. Obstet., vol. 131, no. 1, pp. 25–29, 2015, doi: 10.1016/j.ijgo.2015.06.021.