Titre de l'invention : système et procédé de détermination d’un risque d’hypoxie fœtale

[1] Contexte technique

[2] Le contexte technique de la présente invention est celui des systèmes et procédés de surveillance du bon déroulement d’une grossesse ou d’un accouchement d’une femme enceinte, afin de contrôler si le fœtus suit une évolution normale ou irrégulière. Plus particulièrement, l’invention a trait à un système et un procédé d’évaluation d’une situation pouvant entrainer une hypoxie fœtale.

[3] L’évaluation du bien-être fœtal durant la grossesse est basée en grande partie sur l’analyse de données cardiotocographiques, c’est-à-dire un rythme cardiaque fœtal et une intensité des contractions utérines. De manière connue, cette analyse est faite de manière visuelle et empirique par les praticiens - maïeuticiens et obstétriciens - en suivant des recommandations des sociétés savantes. Cette évaluation est d’une très grande importance clinique, car elle permet de détecter d’éventuelles anomalies fœtales, et en particulier l’anomalie de type hypoxie fœtale, et d’adapter, le cas échéant, le mode d’accouchement en choisissant de maintenir un accouchement par voie basse ou de déclencher un accouchement d’urgence par césarienne si le risque d’hypoxie fœtal est avéré et afin d’éviter tout dommage permanent au fœtus.

[4] Dans l’état de la technique connu, l’évaluation du risque d’hypoxie fœtal est basée en très grande partie sur une analyse visuelle des données de cardiotocographie, menée par les praticiens et en suivant des recommandations des sociétés savantes. Ces méthodes sont connues pour être subjectives et pour présenter finalement une très grande variabilité, entre plusieurs praticiens différents bien sûr, mais aussi entre plusieurs cas étudiés par un même praticien. En d’autres termes, cette méthode ne permet pas de mesurer de manière suffisamment répétable et reproductible le risque d’hypoxie fœtale.

[5] De manière surprenante, malgré sa très grande importance clinique, cette méthodologie n’a fait l’objet d’aucune innovation majeure dans les dernières années, et les outils de formation à l’analyse des données de cardiotocographie sont inexistants. [6] On connaît cependant des logiciels aidant à l’analyse automatisée de la cardiotocographie, certains de ces logiciels étant intégrés dans des centrales de mesure cardiotocographiques. En particulier, de tels logiciels permettent de mettre en place des alertes temps-réel à partir des recommandations des sociétés savantes. Cependant, de tels logiciels ne mesurent pas de manière claire un risque d’hypoxie fœtale, les rendant peu utilisés. D’une manière générale, ces logiciels sont relativement basiques et ne tirent pas partie des avancées récentes dans le domaine de l’apprentissage automatique.

[7] On connait par ailleurs le document DOI : 10.1109/ACCESS.2019.2933368 qui exploite les particularités de l’intelligence artificielle à l’analyse des données de cardiotocographie. Néanmoins, ces travaux nécessitent l’utilisation d’une très grande quantité de données de cardiotocographie avec issue fœtale connue et ne permettent pas de déterminer les raisons et /ou de justifier une potentielle situation d’hypoxie fœtale que prédirait l’intelligence artificielle.

[8] On connait aussi le document CN 114 159 039 A qui décrit une méthode de surveillance du rythme cardiaque fœtal prénatal qui comprend une étape de prétraitement d'un signal de rythme cardiaque fœtal, d'un signal de contraction utérine, de l'âge d'une femme enceinte et d’une information relative à la semaine de gestation, et une étape de conception d’un réseau neuronal convolutif afin d’extraire des valeurs de référence sur les signaux prétraités.

[9] L’inconvénient de la méthode décrite dans CN 1 14 159 039 A réside dans le fait que ladite méthode intègre un modèle d’intelligence artificielle pour un apprentissage supervisé. Elle est donc limitée par le nombre de données annotées, qui ne sont pas en quantité importante pour la prédiction de l’hypoxie fœtale. Le modèle d’intelligence artificielle présenté repose notamment sur une méthode de machine learning "classique" dit Light Gradient Boosting Machine. Comme les données annotées d’entrées sont limitées, l’utilisation de cette méthode conduit à une faible qualité d’interprétation, et à des erreurs d’analyse, conduisant à un modèle peu élaboré et manquant in fine de précision, ne le rendant pas utilisable par le personnel médical .

[10] Invention [1 1 ] La présente invention a pour objet de proposer un nouveau système d’évaluation d’une situation pouvant entrainer une hypoxie fœtale afin de répondre aux problèmes précédents et de conduire en outre à d’autres avantages.

[12] Un autre but de l’invention est de mieux évaluer un risque d’hypoxie fœtale, avec une grande précision, en prenant en compte l’ensemble des données disponibles aux praticiens pour mener une telle évaluation.

[13] Un autre but de l’invention est de proposer un ensemble de métriques permettant d’accompagner la conduite d’examens obstétriciens, ce qui permet au personnel médical de savoir à quoi est due dans les variations de rythme cardiaque fœtal et du signal de contraction utérine, l’hypoxie fœtale calculée.

[14] .

[15] Un autre but de l’invention est prendre en compte le contexte clinique dans l’évaluation du risque d’hypoxie fœtale.

[16] Un autre but de l’invention est de permettre aux praticiens de comprendre l’origine du risque d’hypoxie fœtale évalué en apportant des contributions de plusieurs paramètres à ce risque.

[17] D’une manière générale, un autre but de l’invention est de réduire la morbidité néonatale.

[18] Selon un premier aspect de l’invention, on atteint au moins l’un des objectifs précités avec un système d’évaluation d’une situation d’une femme enceinte donnée pouvant entrainer une hypoxie fœtale, le système comportant :

[19] - un capteur de contractions utérines configuré pour mesurer une intensité des contractions utérines chez la femme enceinte donnée ;

[20] - un capteur de rythme cardiaque configuré pour mesurer un rythme cardiaque fœtal d’au moins un fœtus porté par la femme enceinte donnée, le rythme cardiaque fœtal mesuré et l’intensité des contractions utérines formant les données cardiotocographiques ;

[21 ] - une unité de stockage d’un modèle d’intelligence artificielle entraîné utilisant un réseau neuronal, reliée à une unité de calcul et d’affichage elle-même reliée aux capteurs, le modèle d’intelligence artificielle étant entraîné à partir au moins : [22] - une base de données annotée dite « avec issue fœtale >> comportant des données cardiotocographiques d’entrainement prétraitées et obtenues pour des femmes enceintes en situation d’accouchement, et des données de l’issue fœtale permettant d’évaluer une situation d’hypoxie fœtale à la naissance et associées aux données cardiotocographiques d’entrainement,

[23] - une base de données non annotée, constituée de données cardiotocographiques dont l’issue fœtale n’est pas forcément connue, en particulier si elles sont enregistrées plus de 1 heure avant la naissance ;

[24] Avantageusement, les données non annotées peuvent provenir d’enregistrements durant le travail, quel que soit le nombre d’heures avant l’accouchement, et/ou d’enregistrements de suivi de grossesse ;

[25] Avantageusement le modèle d’intelligence artificielle peut être entrainé avec une base de données cliniques maternelles et/ou fœtales d’entrainement ;

[26] L’unité de calcul et d’affichage étant configurée pour permettre, ultérieurement à l’apprentissage du modèle d’intelligence artificielle :

[27] - le prétraitement des données cardiotocographiques de la femme enceinte donnée ;

[28] - le calcul d’un risque d’hypoxie fœtale à plusieurs instants et à partir des données cardiotocographiques traitées et mesurées à plusieurs instants, et avantageusement des données cliniques de la femme enceinte donnée, à partir du modèle d’intelligence artificielle entraîné, grâce au préalable avantageusement à la saisie ou l’enregistrement des données cliniques maternelles et/ou fœtales de la femme enceinte donnée, pour prendre compte ces données cliniques par l’unité de calcul.

[29] Dans le contexte de la présente invention, le système conforme au premier aspect de l’invention est apte à être utilisé notamment dans les situations suivantes :

[30] - une utilisation en salle de naissance, pendant le travail et l’accouchement de la femme enceinte, afin d’aider les praticiens à déterminer en temps réel le risque d’hypoxie fœtale et de définir au regard de celui-ci la meilleure prise en charge de la femme enceinte et de son fœtus ; [31 ] - une utilisation lors du suivi de grossesse, et notamment pour le suivi des grossesses à haut risque, dans les semaines précédant l’accouchement, c’est-à- dire en dehors du travail de la femme enceinte. Lors d’une telle utilisation, le système conforme au premier aspect de l’invention permet de vérifier que les données cardiotocographiques et les données cliniques traduisent un bon développement du fœtus ;

[32] - une utilisation pour la formation des praticiens dans un contexte de simulation d’accouchement, afin de leur permettre d’aiguiser leurs observations et d’affuter leur interprétation des données cardiotocographiques pour évaluer le risque d’hypoxie fœtale, en autorisant une comparaison avec une grandeur de référence donnée, pour la même situation, par le système conforme au premier aspect de l’invention.

[33] Dans le contexte de l’invention, le système conforme au premier aspect comporte une ou deux voies de mesure et d’analyse, permettant respectivement de déterminer un risque d’hypoxie fœtale pour un unique fœtus ou pour deux fœtus. Dans le cas où le système conforme au premier aspect de l’invention comporte deux voies, une première voie est utilisée pour mesurer les données cardiotocographiques relatives au premier fœtus, et une deuxième voie est utilisée pour mesurer les données cardiotocographiques relatives au deuxième fœtus. Bien évidemment, les données cliniques relatives à la femme enceinte sont communes et identiques aux deux évaluations menées par le système conforme au premier aspect de l’invention. Ainsi, le système conforme au premier aspect de l’invention permet ainsi, via les premières données cardiotocographiques et avantageusement les données cliniques, de déterminer un premier risque d’hypoxie fœtale pour le premier fœtus, et il peut aussi déterminer un deuxième risque d’hypoxie fœtale relatif au deuxième fœtus via les deuxièmes données cardiotocographiques et avantageusement les données cliniques.

[34] Dans le contexte de la présente invention, l’unité de stockage comporte une ou plusieurs mémoires, telles que présente dans un ordinateur, un calculateur ou un serveur par exemple, et l’unité de calcul et d’affichage comporte un ou plusieurs processeurs ou un ou plusieurs microcontrôleur, et un dispositif d’affichage tel que par exemple un écran. Bien entendu, le dispositif d’affichage, l’unité de calcul et l’unité de stockage sont tous reliés entre eux, par des moyens filaires ou non filaires, afin de permettre un transfert et un affichage des données relatives aux mesures réalisées par les capteurs, aux données cardiotocographiques, aux données cliniques. Le dispositif d’affichage, l’unité de calcul et l’unité de stockage peuvent être centralisés au sein d’un même ensemble, tel que par exemple un ordinateur ou un moniteur, ou ils peuvent être délocalisés - tels que par exemple sur un serveur distant - et reliés entre eux par des moyens de communication.

[35] Dans le contexte de la présente invention, le dispositif d’affichage comporte par exemple une interface de communication configurée pour permettre à un utilisateur la saisie ou l’enregistrement de données cliniques. L’interface de communication peut prendre la forme d’un écran tactile, d’un clavier ou de tout autre moyen. L’interface de communication est bien entendu connectée à l’unité de calcul et à l’unité de stockage.

[36] Dans le contexte de la présente invention, le modèle d’intelligence artificielle est un modèle mathématique qui permet de calculer, en fonction de données d’entrées comportant les données cardiotocographiques et dans un mode de réalisation possible de l’invention les données cliniques, des données de sorties représentative du risque d’hypoxie fœtale. Pour ce faire, le modèle d’intelligence artificielle a été préalablement entrainé de manière à le faire converger en direction d’un risque d’hypoxie fœtale conforme, c’est-à-dire analogue, au risque d’hypoxie fœtale tel que déterminé à partir des métriques utilisées par les praticiens pour qualifier le risque d’hypoxie fœtale, telles que préférentiellement une mesure de pH. Bien évidemment, l’objet de l’invention est de permettre une meilleure interprétation que celle menée par les praticiens, avec une détection plus précoce, plus fiable et plus précise du risque d’hypoxie fœtale.

[37] A cet effet, le modèle mathématique a été entrainé grâce aux données cardiotocographiques d’entrainement annotées pour lesquelles l’état du fœtus ayant été mis au monde par la femme enceinte est qualifié par une métrique. En d’autres termes, les données cardiotocographiques d’entrainement annotées, obtenues durant le travail et durant l’accouchement de la femme enceinte, ont été qualifiées par l’état du fœtus une fois né, afin de permettre au modèle mathématique de déterminer les situations des données cardiotocographiques conduisant à une délivrance saine du fœtus, et celles qui peuvent conduire parfois à un fœtus atteint de séquelles résultant d’une hypoxie fœtale durant la grossesse ou l’accouchement, voire à une morbi-mortalité fœtale. A titre d’exemple non limitatif, la qualification des données cardiotocographiques d’entrainement annotées peut prendre la forme de la formation d’un couple de valeurs comportant, d’une part, les données cardiotocographiques et, d’autre part, une valeur rendant compte de l’hypoxie fœtale du fœtus accouché, tel que par exemple une mesure de pH. Complémentairement, cette qualification de données via l’issue fœtale est aussi complétée par les données cliniques maternelles et/ou fœtales, afin de former des ensembles de données annotées.

[38] Dans le contexte de l’invention, les données cliniques maternelles sont des paramètres physionomiques et/ou contextuels relatifs à la femme enceinte portant le fœtus dont la surveillance est mise en œuvre, et les données cliniques fœtales sont des paramètres physionomiques et/ou contextuels relatifs au fœtus.

[39] Dans le contexte de la présente invention, le système conforme à son premier aspect permet de, successivement,

[40] - prétraiter les données cardiotocographiques mesurées sur la femme enceinte, formant les données cardiotocographiques traitées ;

[41 ] - dans un mode de réalisation possible de l’invention saisir et enregistrer les données cliniques de la femme enceinte ;

[42] - calculer le risque d’hypoxie fœtale à partir des données cardiotocographiques traitées et dans un mode de réalisation possible de l’invention à partir des données cliniques à partir du modèle d’intelligence artificielle entraîné, c’est-à-dire ayant été entrainé via les données cardiotocographiques annotées d’entrainement, tel que décrit précédemment.

[43] Dans le contexte de l’invention, le risque d’hypoxie fœtale évalué par le système comporte notamment une quantification d’un niveau de risque associé à l’identification de paramètres représentatifs d’une hypoxie fœtale.

[44] Le système de l’invention comprend avantageusement au moins un des perfectionnements ci-dessous, les caractéristiques techniques formant ces perfectionnements pouvant être prises seules ou en combinaison :

[45] - les données cliniques maternelles et/ou fœtales d’entraînement de la femme donnée sont choisies parmi la liste suivante : des données maternelles relatives aux femmes enceintes, comportant notamment un âge ; et/ou des données fœtales relatives au fœtus, comportant notamment : un âge gestationnel, une estimation d’un poids fœtal, tel que par exemple la détermination d’un quantile du poids fœtal par rapport à une distribution de poids fœtal généralement observé, pour ce terme donné de la grossesse, dans une population de référence donnée. D’une manière plus générale, les données maternelles relative à la femme enceinte peuvent comprendre un âge, un indice de masse corporelle, une parité, un identifiant de grossesse singleton ou gémellaire ; et/ou les données fœtales relatives au fœtus peuvent comprendre un âge gestationnel, un sexe, une estimation du poids fœtal ; et/ou des données d’accouchement telles que par exemple une suspicion d’infection intra-utérine, obtenue par exemple par une mesure de la température de la femme enceinte, une présence de diabète gestationnel ou une présence d’une pathologie vasculaire, telle que par exemple une hypertension gravidique, une pré éclampsie, une mesure de dilatation du col de l’utérus ;

[46] - afin de permettre un traitement optimal des données mesurées, l’unité de calcul et d’affichage réalise un prétraitement des données cardiotocographiques. Le prétraitement comporte notamment une complétion des données cardiotocographiques manquantes, et/ou une suppression des données cardiotocographiques aberrantes. En particulier, la complétion des données cardiotocographiques comporte par exemple une interpolation linéaire entre une donnée cardiotocographique directement précédente à la donnée cardiotocographique manquante et une donnée cardiotocographique succédant directement à la donnée cardiotocographique manquante. En outre, la suppression d’une donnée cardiotocographique aberrante comporte une analyse d’un écart entre la donnée cardiotocographique aberrante et les données cardiotocographiques directement adjacentes à la donnée cardiotocographique aberrante, la donnée cardiotocographique aberrante étant supprimée si l’écart est supérieur à une valeur seuil ;

[47] - le modèle d’intelligence artificielle est entraîné à l’aide des données cardiotocographiques d’entraînement prétraitées. Complémentairement, le modèle d’intelligence artificielle peut aussi être entrainé à l’aide d’indicateurs calculés à partir des données cardiotocographiques prétraitées et caractérisant l’évolution des rythmes cardiaques des fœtus. Ces indicateurs sont déterminés pour reproduire l’analyse faite par les praticiens de la situation fœtale, dans le respect des recommandations des sociétés savantes. Ces indicateurs sont calculés à partir des données cardiotocographiques mesurées sur des femmes enceintes, afin de qualifier certaines caractéristiques visuelles et graphiques des rythmes cardiaques fœtaux et/ou des contractions utérines, conformément aux savoir-faire et habitudes d’examens recommandés par les sociétés savantes ;

[48] - les indicateurs sont préférentiellement choisis parmi la liste suivante : (i) une ligne de base, calculée comme une moyenne glissante du rythme cardiaque fœtal, hors périodes d’accélération et de décélération, et/ou (ii) une durée et un nombre d’événements cardiaques critiques du type d’une accélération, chaque événement cardiaque critique de type accélération étant déterminé par un rythme cardiaque fœtal supérieur à une plage nominale de rythme cardiaque définie autour de la ligne de base, et/ou (iii) une durée et un nombre d’événements cardiaques critique du type d’une décélération, chaque événement cardiaque critique de type décélération étant déterminé par un rythme cardiaque fœtal inférieur à la plage nominale de rythme cardiaque définie autour de la ligne de base, et/ou (iv) une variabilité du rythme cardiaque fœtal. Ces indicateurs sont ceux recommandés par les sociétés savantes pour la détection et/ou la qualification d’un risque d’hypoxie fœtale ;

[49] - la variabilité du rythme cardiaque fœtal est déterminée pour plusieurs échelles de temps différentes. En particulier, dans le contexte de l’invention, la variabilité du rythme cardiaque fœtal est définie par un écart type dudit rythme cardiaque ou par la dérivée du rythme cardiaque fœtal. Complémentairement, on définit (i) une variabilité du rythme cardiaque à court terme, c’est-à-dire sur une période de quelques secondes, par exemple comprise entre 5 secondes et 60 secondes, et (ii) une variabilité du rythme cardiaque à long terme, c’est-à-dire de l’ordre de quelques minutes, par exemple comprise entre 5 minutes et 25 minutes ;

[50] - complémentairement, les indicateurs peuvent aussi comprendre une position relative de la ligne de base par rapport à une référence attendue de ladite ligne de base. En particulier, les indicateurs peuvent comprendre l’identification d’une position de la ligne de base trop basse par rapport à la référence attendue de ladite ligne de base, et/ou une position de la ligne de base trop élevée par rapport à la référence attendue de ladite ligne de base, et/ou un nombre d’événements cardiaques critiques du type d’une décélération du rythme cardiaque fœtal présentant une durée inférieure à 2 minutes, et/ou un nombre d’événements cardiaques critiques du type d’une décélération du rythme cardiaque fœtal présentant une durée supérieure à 2 minutes, et/ou un nombre d’événements cardiaques critiques du type d’une accélération du rythme cardiaque fœtal ;

[51 ] - dans le contexte de l’invention, le réseau de neurones est un modèle permettant de prédire une variable d’intérêt - ici le risque d’hypoxie fœtale - à partir de variables explicatives - ici les données de cardiotocographie et, le cas échéant, les données cliniques. Le réseau de neurones est optimisé sur une base de données rétrospective. Plus particulièrement, le réseau de neurones mis en œuvre par le système est du type convolutionnel ou transformer basé sur le mécanisme d’attention, car particulièrement adapté au traitement des signaux temporels, dont les données cardiotocographiques ;

[52] - dans le contexte de l’invention, et plus particulièrement dans le cadre d’une utilisation du système selon l’invention pour de la formation, le modèle d’intelligence artificielle comporte un modèle génératif qui permet de générer des données fictives similaires à celles disponibles sur les bases de données sur lesquelles le réseau de neurones a été entraîné, rendant possible ici de générer des signaux représentatifs des données cardiotocographiques annotées. Le modèle d’intelligence artificielle est un réseau de neurones ayant été entraîné en apprentissage semi-supervisé à partir (i) d’une première base de données non annotées regroupant uniquement des premières données cardiotocographiques d’entrainement prétraitées et obtenues pour des femmes enceintes, sans données de l’issue fœtale associée à ces données cardiotocographiques d’entraînement et, ensuite (ii) d’une seconde base de données annotées dite « avec issue fœtale >> regroupant des secondes données cardiotocographiques d’entrainement prétraitées et obtenues pour des femmes enceintes, et des données d’issue fœtale permettant d’évaluer une hypoxie fœtale à la naissance associée à ces données cardiotocographiques d’entrainement, et dans un mode de réalisation possible (iii) des donnes cliniques maternelles et/ou fœtales d’entrainement. Ainsi, le modèle d’intelligence artificielle est entrainé avec des données cardiotocographiques pour lesquelles on ne connait pas l’issue fœtale - les données de la première base de données - et des données annotées résultant de situations d’accouchement pour lesquelles on a pu déterminer l’issue fœtale - résultant de la seconde base de données, les données issues de la première base de données ont pu être obtenues lors de visites obstétricales précédant l’accouchement, ou encore durant des premières phases de travail éloignées de la naissance elle-même, par exemple antérieures à 1 h avant la naissance, ce qui permet d’entrainer le réseau de neurones artificielle avec une très grande quantité de données de cardiotocographies (le réseau de neurones est en quelque sorte préformée par ces milliers de données non annotées à toutes les évolutions possibles des données de cardiotocographie) pour qu’ensuite ce réseau de neurones soit plus à même dans une deuxième étape d’être entrainé plus rapidement et plus efficacement avec les données de la deuxième base de données annotées;

[53] -ces méthodes d’apprentissage semi-supervisé sont utilisées car l’on dispose à la fois de données annotées en quantité limitée - les données cardiotocographiques pour lesquelles l’issue fœtale est connue et associées auxdites données cardiotocographiques - et en plus grande quantité des données non-annotées - les données cardiotocographiques pour lesquelles l’issue fœtale est inconnue ;

[54] - le réseau de neurones est d’abord entrainé avec la première base de données non annotées pour obtenir des blocs de traitement des données cardiotocographiques prétraitées (utilisant l’architecture convolutionnelle ou basée sur le transformer), à partir seulement des données de cardiotocographie. Dans un second temps, le réseau de neurones est entrainé avec des données de la seconde base de données annotées dite « avec issue fœtale >>, en initialisant les blocs de traitement des données cardiotocographiques prétraitées tels qu’appris dans la première étape. Dans le contexte de l’invention, les blocs sont des états intermédiaires de calcul mis en œuvre par le modèle d’intelligence artificielle et, plus particulièrement, par le réseau de neurones. En d’autres termes, il s’agit de neurones situés entre une entrée et une sortie du réseau de neurones ;

[55] - l’unité de calcul et d’affichage comporte avantageusement le réseau de neurones ; [56] - en particulier, le réseau de neurones est configuré pour (i) appliquer une transformation , par exemple convolutionnelle, des données cardiotocographiques traitées, formant des données expérimentales, par exemple convoluées, (ii) appliquer une concaténation à ces données expérimentales avec les données cliniques de la femme enceinte, formant ensemble des données concaténées, et (iii) appliquer une prédiction du risque d’hypoxie fœtale à partir des données concaténées ;

[57] - l’unité de calcul et d’affichage est configurée pour, à une fréquence d’affichage donnée, (i) calculer et afficher une série d’indicateurs caractérisant le rythme cardiaque fœtal du fœtus de la femme enceinte donnée, interprétables par les praticiens, ces indicateurs étant affichés simultanément au risque d’hypoxie fœtale calculé par intelligence artificielle de la femme enceinte donnée et/ou (ii) calculer, par application d’un modèle de régression mathématique, un risque fœtal statistique, et (iii) calculer une contribution de ces indicateurs au risque d’hypoxie fœtale statistique et afficher simultanément le risque d’hypoxie fœtale calculé par intelligence artificielle et une contribution de ces indicateurs. On comprend ici que, dans le contexte de l’invention, les indicateurs caractérisant le rythme cardiaque fœtal sont du type de ceux évoqués précédemment et tels que définis par les sociétés savantes. En d’autres termes, les indicateurs calculés ici sont du type à être interprétables par les praticiens. Dans le contexte de la présente invention, les opérations réalisées par l’unité de calcul et d’affichage sont réalisées selon au moins une fréquence d’échantillonnage et/ou une fréquence d’affichage prédéterminées. La fréquence d’échantillonnage - utilisée pour déterminer ou mesurer le rythme cardiaque fœtal et l’intensité des contractions utérines - peut comporter une première fréquence d’échantillonnage utilisée pour déterminer ou mesurer le rythme cardiaque fœtal et une deuxième fréquence d’échantillonnage utilisée pour déterminer ou mesurer l’intensité des contractions utérines. De manière avantageuse, l’unité de calcul et d’affichage met en œuvre une unique fréquence d’échantillonnage, généralement de l’ordre de quelques hertz, par exemple égale à 4 Hz. Complémentairement, l’unité de calcul et d’affichage calcule finalement un ou plusieurs indicateurs au risque d’hypoxie fœtale ainsi que leurs contributions audit risque selon la fréquence d’affichage. A titre d’exemple non limitatif, la fréquence d’affichage est de l’ordre de quelques Hertz, par exemple égale à 1 Hz ;

[58] - l’unité de calcul et d’affichage est configurée pour afficher, à la fréquence d’affichage, la contribution de ces indicateurs dans le risque d’hypoxie fœtal de la femme enceinte donnée, calculé par le modèle d’intelligence artificielle entrainé. Complémentairement ou alternativement, l’unité de calcul et d’affichage est configurée pour afficher, à la fréquence d’affichage, le risque d’hypoxie fœtal de la femme enceinte donnée, calculé par le modèle d’intelligence artificielle entrainé ;

[59] - dans le contexte de l’invention, le modèle de régression mathématique est du type permettant de déterminer un coefficient de pondération pour chaque paramètre intervenant dans le calcul des indicateurs et/ou du risque d’hypoxie fœtale. En particulier, le modèle de régression mathématique est par exemple du type d’un modèle de régression logistique ;

[60] - le modèle d’intelligence artificielle est entrainé à partir d’au moins une des données suivantes représentative de l’issue fœtale : (i) une mesure d’un pH au niveau d’un cordon ombilical du fœtus, une valeur de pH inférieure à 7.15 qualifiant une hypoxie fœtale modérée ou sévère, et une valeur de pH inférieure à 7.05 qualifiant une hypoxie fœtale sévère ; et/ou (ii) des mesures de gazométrie sur le cordon ombilical, en vue par exemple de mettre en évidence une concentration de base supérieure à 12 mmol/L ou une concentration de lactates supérieure à 6 mmol/L ; et/ou (iii) un score d’Apgar ; et/ou (iv) une hospitalisation éventuelle du fœtus en soins intensifs pour suspicion d’hypoxie fœtale ;

[61 ] - le modèle d’intelligence artificielle est entraîné à partir d’enregistrements de cardiotocographie de femmes enceintes comportant (i) une première base de données non annotées, comprenant les enregistrements situés avant l’accouchement des femmes enceintes, (ii) une seconde base de données annotées dite « avec issue fœtale >>, comportant des enregistrements situés au- plus à 40 minutes, avantageusement au plus à 30 minutes, de la naissance du fœtus porté par ces femmes enceintes et annotées avec les données de l’issue fœtale, et (iii) des données cliniques maternelles et/ou fœtales de ces femmes dont on connait l’issue fœtale de leur accouchement. La première base de données non annotées comporte notamment des données augmentées par glissement temporel ;

[62] - le système comporte des moyens de communications entre, d’une part, le capteur de contractions utérines et le capteur de rythme cardiaque et, d’autre part, l’unité de calcul et d’affichage, de façon à ce que le système puisse être utilisé en ambulatoire ou à domicile, le calcul et/ou l’affichage du risque d’hypoxie fœtale étant destiné à être suivi à distance par un praticien.

[63] Selon un deuxième aspect de l’invention, il est proposé un procédé pour évaluer un risque d’hypoxie fœtale d’un fœtus d’une femme enceinte donnée, à l’aide d’un système conforme au premier aspect de l’invention ou selon l’un quelconque de ses perfectionnements, le procédé comportant les étapes suivantes :

[64] - une étape d’acquisition de données cardiotocographiques et des données de contexte clinique maternelles et/ou fœtales de la femme enceinte donnée ;

[65] - une étape de prétraitement des données cardiotocographiques de la femme enceinte donnée ;

[66] - une étape de calcul du risque d’hypoxie fœtale de la femme enceinte donnée par application d’un modèle d’intelligence artificielle entraîné.

[67] Le procédé conforme au deuxième aspect de l’invention comprend avantageusement au moins un des perfectionnements ci-dessous, les caractéristiques techniques formant ces perfectionnements pouvant être prises seules ou en combinaison :

[68] - l’étape de prétraitement comporte (i) une étape de complétion de données cardiotocographiques manquantes ; et/ou (ii) une étape de suppression de données cardiotocographiques aberrantes ;

[69] - les données cliniques maternelles ou fœtales sont choisies parmi la liste suivante : (i) des données maternelles relatives aux femmes enceintes, comportant notamment un âge, un indice de masse corporelle, une parité, un identifiant de grossesse singleton ou gémellaire, et/ou (ii) des données fœtales relatives aux fœtus, comportant notamment un âge gestationnel, une estimation du poids fœtal, un sexe, et/ou des données d’accouchement comportant notamment une suspicion d’infection intra-utérine, qualifiée par exemple par mesure d’une température de la femme enceinte, une présence d’une pathologie vasculaire telle que par exemple une hypertension gravidique, une pré éclampsie, une présence de diabète gestationnel, une mesure de dilatation du col de l’utérus ;

[70] - le procédé comporte une étape de calcul et d’affichage : (i) d’indicateurs interprétables par les praticiens caractérisant le rythme cardiaque fœtal du fœtus de la femme enceinte donnée, un risque fœtal statistique par application d’un modèle de régression mathématique, et simultanément une contribution de ces indicateurs au risque d’hypoxie fœtale de la femme enceinte donnée calculé par le modèle d’intelligence artificielle entrainé.

[71 ] Des modes de réalisation variés de l’invention sont prévus, intégrant selon l’ensemble de leurs combinaisons possibles les différentes caractéristiques optionnelles exposées ici.

[72] D’autres caractéristiques et avantages de l’invention apparaîtront encore au travers de la description qui suit d’une part, et de plusieurs exemples de réalisation donnés à titre indicatif et non limitatif en référence aux dessins schématiques annexés d’autre part, sur lesquels :

[73] [Fig.1 ] illustre une vue schématique du système conforme au premier aspect de l’invention ;

[74] [Fig.2] illustre une vue synoptique du fonctionnement du système selon l’invention ;

[75] [Fig.3] illustre une comparaison des performances du système selon l’invention avec les diagnostics réalisés par des praticiens ;

[76] [Fig.4] illustre une comparaison des performances du système selon l’invention selon des modes de réalisation différents ;

[77] [Fig.5] illustre une comparaison des performances du système selon l’invention, en utilisant un nombre variable de données non annotées à nombre de données annotées constant ; une donnée cardiotocographie correspond à titre uniquement illustratif et sans que cela soit limitatif, à une séquence du signal, par exemple d’une durée 30 minutes, pour une femme enceinte, cette donnée cardiotocographique étant étiquée par l’issue fœtale (deuxième base de données) ou pas (première base de données) ;

[78] [Fig.6] illustre les différences de résultats obtenus avec les différentes méthodes d’apprentissage semi-supervisé, avec le même nombre de données cardiotocographie;

[79] [Fig.7] illustre un premier visuel représentant les données affichées par le système selon l’invention et la détermination d’un premier risque d’hypoxie fœtale ;

[80] [Fig.8] illustre un deuxième visuel représentant les données affichées par le système selon l’invention et la détermination d’un deuxième risque d’hypoxie fœtale ;

[81 ] [Fig.9] illustre un troisième visuel représentant les données affichées par le système selon l’invention et la détermination d’un troisième risque d’hypoxie fœtale.

[82] Bien entendu, les caractéristiques, les variantes et les différentes formes de réalisation de l’invention peuvent être associées les unes avec les autres, selon diverses combinaisons, dans la mesure où elles ne sont pas incompatibles ou exclusives les unes des autres. On pourra notamment imaginer des variantes de l’invention ne comprenant qu’une sélection de caractéristiques décrites par la suite de manière isolée des autres caractéristiques décrites, si cette sélection de caractéristiques est suffisante pour conférer un avantage technique ou pour différencier l’invention par rapport à l’état de la technique antérieur.

[83] En particulier toutes les variantes et tous les modes de réalisation décrits sont combinables entre eux si rien ne s’oppose à cette combinaison sur le plan technique.

[84] Sur les FIGURES, les éléments communs à plusieurs FIGURES conservent la même référence.

[85] L’évaluation du bien-être fœtal durant la grossesse est basée sur l’analyse des données cardiotocographiques CTO, comportant une mesure d’un rythme cardiaque fœtal et une mesure d’une intensité des contractions utérines.

[86] Actuellement, cette interprétation est faite de manière individuelle, empirique et visuelle par les praticiens en suivant des recommandations des sociétés savantes, lors d’examens obstétriques visant à contrôler le bon déroulement de la grossesse ou pour conduire l’accouchement d’une femme enceinte FE. Ces interprétations des données cardiotocographiques CTO se révèlent être d’une très grande importance clinique, car elles permettent de détecter les principales anomalies fœtales, et en particulier l’hypoxie fœtale. Par suite, il est alors possible pour ces praticiens d’adapter le mode d’accouchement - par voie basse ou par césarienne - afin d’éviter tout dommage permanent au fœtus FO.

[87] Le système 1 tel que représenté schématiquement sur la FIGURE 1 permet de mettre en œuvre un procédé 2 - visible sur la FIGURE 2 - pour évaluer un risque d’hypoxie fœtale RSK d’une femme enceinte FE en analysant de manière automatisée des données cardiotocographiques CTO et des données cliniques DCL de la femme enceinte FE. Le système 1 permet ainsi de mettre à disposition des praticiens une évaluation du risque d’hypoxie fœtale RSK - mesuré entre 0% et 100% - et de mettre en avant les contributions CTR de plusieurs indicateurs IND reconnus par les sociétés savantes dans la mesure de ce risque, chaque pondération étant comprise entre 0% et 100% et leur somme faisant 100%.

[88] Plus particulièrement, comme visible sur la FIGURE 2, le risque d’hypoxie fœtale RSK est évalué par un modèle d’intelligence artificielle IA mis en œuvre par un réseau de neurones 23 de l’unité de calcul et d’affichage 13. Complémentairement, le système 1 selon l’invention met en œuvre un deuxième modèle mathématique, typiquement du type d’un modèle de régression logistique 24, afin d’évaluer la contribution au risque d’hypoxie fœtale RSK des différents indicateurs IND calculés lors d’une étape de calcul 22 et issus des recommandations des sociétés savantes et calculés de manière automatique sur la base des données cardiotocographiques CTO et éventuellement des données cliniques DCL.

[89] De manière particulièrement avantageuse, ces modèles sont appris sur une base de données rétrospectives comportant, pour un grand nombre d’accouchements, des données fœtales dites annotées, logées dans une première base de données, et permettant d’évaluer les situations d’hypoxie fœtale en relation avec les données cardiotocographiques CTO obtenues juste avant l’accouchement. Ces données d’apprentissage ont été obtenues lors de mesures préalables et d’analyses réalisées par les praticiens préalablement. Elles permettent une utilisation ultérieure du système 1 et du modèle d’intelligence artificielle IA sur des situations inédites pour lesquelles le modèle d’intelligence artificielle IA est désormais capable de prédire correctement les situations, les indicateurs IND et le risque d’hypoxie fœtale RSK.

[90] Le système 1 , via son unité de calcul et d’affichage 13 met à jour en temps réel et selon une fréquence d’affichage donnée le risque d’hypoxie fœtale RSK déterminé et les contributions CTR identifiées lors de l’étape de calcul 22 pour les différents indicateurs IND, afin de refléter les dernières données de cardiotocographie disponibles et de permettre aux praticiens de disposer d’un outil d’aide à la décision.

[91 ] Dans le contexte de la présente invention, l’état clinique ou médical n’est pas considéré. Le système 1 et le procédé 2 selon l’invention se contentent de traiter des signaux techniques résultants de capteurs 11 , 12 ou d’instruments et/ou calculés à partir d’eux.

[92] Plus particulièrement, le système 1 conforme au premier aspect de l’invention comporte :

[93] - un capteur de contractions utérines 1 1 configuré pour mesurer une intensité des contractions utérines chez la femme enceinte FE donnée ;

[94] - un capteur de rythme cardiaque 12 configuré pour mesurer un rythme cardiaque fœtal d’au moins un fœtus FO porté par la femme enceinte FE donnée, le rythme cardiaque fœtal mesuré et l’intensité des contractions utérines formant les données cardiotocographiques CTO ;

[95] - une unité de stockage 14 d’un modèle d’intelligence artificielle IA entraîné utilisant un réseau neuronal, reliée à une unité de calcul et d’affichage 13 elle- même reliée aux capteurs 1 1 , 12.

[96] L’unité de calcul et d’affichage 13 est configurée pour mettre en œuvre le modèle d’intelligence artificielle IA, l’unité de calcul et d’affichage 13 comportant notamment un réseau de neurones 23.

[97] Dans le contexte de l’invention, le modèle d’intelligence artificielle IA est entraîné à partir d’une première base de données non annotées et d’une deuxième base de données annotée dite « avec issue fœtale >> comportant des données cardiotocographiques CTO d’entrainement prétraitées et obtenues pour des femmes enceintes en situation d’accouchement, et des données de l’issue fœtale permettant d’évaluer une situation d’hypoxie fœtale à la naissance, et associées aux données cardiotocographiques CTO d’entrainement ;

[98] - et dans une variante possible de l’invention en plus par des données cliniques DCL maternelles et/ou fœtales d’entrainement.

[99] Par suite, l’unité de calcul et d’affichage 13 du système 1 selon l’invention est configurée pour permettre :

[100] - le prétraitement des données cardiotocographiques CTO de la femme enceinte FE donnée, formant les données cardiotocographiques prétraitées CTP ;

[101] - dans le cas de la variante possible par la saisie ou l’enregistrement des données cliniques DCL de la femme enceinte FE donnée, les données cliniques DCL étant prises en compte par l’unité de calcul ;

[102] - le calcul d’un risque d’hypoxie fœtale RSK à partir des données cardiotocographiques CTO traitées, et des données cliniques DCL de la femme enceinte FE donnée, à partir du modèle d’intelligence artificielle IA entraîné.

[103] Le prétraitement comporte notamment une complétion des données cardiotocographiques CTO manquantes, par exemple par interpolation linéaire entre une donnée cardiotocographique directement précédente à la donnée cardiotocographique manquante et une donnée cardiotocographique succédant directement à la donnée cardiotocographique manquante. En d’autres termes, une donnée cardiotocographique est manquante s’il existe un « trou >> entre deux ou plus données cardiotocographiques CTO adjacentes. Dans le contexte de l’invention, un tel trou de données cardiotocographiques CTO de durée inférieure à une valeur seuil, typiquement égal à 5 minutes par exemple, est rempli et complété, préférentiellement par interpolation linéaire. A contrario, un trou de données cardiotocographiques CTO s’étalant sur une durée supérieure à la valeur seuil n’est pas complété.

[104] Alternativement ou complémentairement, le prétraitement comporte une suppression des données cardiotocographiques CTO aberrantes, par exemple via une analyse d’un écart entre la donnée cardiotocographique aberrante et les données cardiotocographiques CTO directement adjacentes à la donnée cardiotocographique aberrante, la donnée cardiotocographique aberrante étant supprimée si l’écart est supérieur à une valeur seuil. Une valeur cardiotocographique x(t) représentative d’un état à un instant donné est considérée comme aberrante si la valeur absolue des quantités x(t) - x(t-1 ) et x(t) - x(t+1 ) sont, ensembles, supérieures à un seuil, choisi par exemple comme étant égal à 30 bpm pour le rythme cardiaque fœtal et à 20 mm Hg pour les contractions utérines, où x(t-1 ) et x(t+1 ) sont respectivement les données cardiotocographiques CTO précédentes et successives à la valeur cardiotocographique x(t) donnée. Les valeurs aberrantes détectées sont ensuite remplacées par une interpolation linéaire.

[105] Les données cliniques DCL de la femme enceinte FE permettent de définir le contexte clinique de l’accouchement et/ou de la femme enceinte FE. Les données cliniques DCL prises en comptes par le système 1 selon l’invention comportent notamment les données suivantes :

[106] - des données maternelles, telles que par exemple un âge, un indice de masse corporelle, une parité, un caractère singleton ou gémellaire de la grossesse ;

[107] - des données fœtales, telles que par exemple un âge gestationnel, un sexe, une estimation du poids fœtal ;

[108] - des données d’accouchement, telles que par exemple une suspicion d’infection intra utérine, une présence d’une pathologie vasculaire telle que par exemple une hypertension gravidique, une pré éclampsie, une présence de diabète gestationnel, une mesure de dilatation du col de l’utérus.

[109] Le système 1 selon l’invention permet de mettre en œuvre :

[1 10] - les données cardiotocographiques CTO et les données cliniques DCL utilisées en entrée du système 1 ;

[1 1 1] - le calcul d’indicateurs IND interprétables par les praticiens en utilisant un modèle de régression logistique 24 basé sur les recommandations des sociétés savantes, les indicateurs IND étant calculés sur la base des données cardiotocographiques CTO et/ou des données cliniques DCL obtenues ;

[1 12] - le calcul du risque d’hypoxie fœtale RSK et le calcul 22 des contributions CTR audit risque d’hypoxie fœtale de chaque indicateur IND précédemment calculé. [1 13] D’une manière générale, les contributions des indicateurs IND interprétables par les praticiens sont calculées par le modèle de régression logistique 24 qui implémente les recommandations des sociétés savantes, sur la base d’une analyse en temps réel des données cardiotocographiques CTO, et notamment du rythme cardiaque fœtal. Les indicateurs IND calculés sont les suivants :

[1 14] - une ligne de base, calculée comme une moyenne glissante du rythme cardiaque fœtal, hors périodes d’accélération et de décélération, et/ou

[1 15] - une durée et un nombre d’événements cardiaques critiques du type d’une accélération, chaque événement cardiaque critique de type accélération étant déterminé par un rythme cardiaque fœtal supérieur à une plage nominale de rythme cardiaque définie autour de la ligne de base. En particulier, les indicateurs IND peuvent comprendre l’identification d’une position de la ligne de base trop élevée par rapport à une référence attendue de ladite ligne de base, tels que par exemple un nombre d’événements cardiaques critiques du type d’une accélération du rythme cardiaque fœtal ;

[1 16] - une durée et un nombre d’événements cardiaques critique du type d’une décélération, chaque événement cardiaque critique de type décélération étant déterminé par un rythme cardiaque fœtal inférieur à la plage nominale de rythme cardiaque définie autour de la ligne de base. En particulier, les indicateurs IND peuvent comprendre l’identification d’une position de la ligne de base trop basse par rapport à la référence attendue de ladite ligne de base, tels que par exemple un nombre d’événements cardiaques critiques du type d’une décélération du rythme cardiaque fœtal présentant une durée inférieure à 2 minutes, et/ou un nombre d’événements cardiaques critiques du type d’une décélération du rythme cardiaque fœtal présentant une durée supérieure à 2 minutes ; et/ou

[1 17] - une variabilité du rythme cardiaque à court terme, c’est-à-dire sur une période de quelques secondes, par exemple comprise entre 5 secondes et 60 secondes et/ou

[1 18] - une variabilité du rythme cardiaque à long terme, c’est-à-dire de l’ordre quelques minutes, par exemple comprise entre 5 minutes et 25 minutes ; et/ou [1 19] Le calcul de ces indicateurs IND est réalisé à une fréquence d’affichage donnée afin de permettre au praticien de les surveiller en temps réel, avec des valeurs toujours réactualisées.

[120] Dans le contexte de l’invention, le risque d’hypoxie fœtale RSK est calculé par le modèle d’intelligence artificielle IA et mis en œuvre par le réseau de neurones 23. Le réseau de neurones 23 prend comme variables d’entrée :

[121] - les données cardiotocographiques CTO traitées, c’est-à-dire après suppression des valeurs manquantes et filtrage des valeurs aberrantes ;

[122] - éventuellement les données cliniques DCL si elles sont disponibles ;

[123] - le cas échéant, les indicateurs IND calculés par le modèle mathématique de régression logistique 24 et basés sur les recommandations des sociétés savantes, tels que décrits précédemment, plus particulièrement, le modèle mathématique de régression logistique 24 permet de déterminer la contribution de chaque indicateur IND calculé dans la prédiction réalisée du risque d’hypoxie fœtale RSK.

[124] Dans le contexte de l’invention, et comme évoqué précédemment, le modèle d’intelligence artificielle IA est mis en œuvre par un réseau de neurones 23 de l’unité de calcul et d’affichage 13. Le réseau de neurones 23 est plus particulièrement du type d’un réseau convolutionnel ou d’un transformer basé sur le mécanisme d’attention ou un réseau récurrent.

[125] Le transformer est décrit par exemple dans la publication décrite sur ce lien hypertexte

[126] Les "réseaux récurrents sont en particulier de type LSTM" décrite sur ce lien hypertexte : https://www.researchgate.ne 'publication/13853244 Long Short-

[127] Comme évoqué précédemment, le réseau de neurones 23 est configuré pour déterminer une grandeur représentative d’un risque d’hypoxie fœtale RSK. Cette grandeur représentative est un nombre réel positif compris entre 0, synonyme d’absence totale de risque d’hypoxie fœtale RSK, et 1 , associé à une prédiction certaine d’hypoxie fœtale. En d’autres termes, le réseau de neurones 23 est configuré pour déterminer une prédiction du risque d’hypoxie fœtale RSK à partir des données suivantes : [128] - les données cardiotocographiques CTO qui sont intégrées dans le réseau de neurones 23 lors d’une première étape. Comme évoqué précédemment, ces données cardiotocographiques CTO sont déterminées par les capteurs 11 , 12 associés et selon une fréquence d’échantillonnage de l’ordre de quelques hertz. A titre d’exemple non limitatif, les mesures fournies par le capteur de rythme cardiaque 12 fœtal et par le capteur de contractions utérines 1 1 sont réalisées sur une période donnée qui dépend du contexte de mise en œuvre du système 1 selon l’invention. A titre d’exemple non limitatif, dans le cas d’une utilisation lors d’un accouchement, la durée de mesure peut être de l’ordre de plusieurs heures, préférentiellement dès le début du travail de la femme enceinte FE, et préférentiellement encore de l’ordre de plusieurs dizaines de minutes - typiquement entre 20 min et 30 min avant le terme de l’accouchement, c’est-à-dire la naissance du fœtus FO ;

[129] - des données cliniques DCL qui sont intégrées dans le réseau de neurones 23 lors d’une deuxième étape et qui rendent compte du contexte clinique associé à la femme enceinte FE et/ou au fœtus FO et/ou à la grossesse, telles que décrites précédemment.

[130] Lors d’une troisième étape, le modèle d’intelligence artificielle IA applique des blocs de traitement, par exemple convolutionnels, sur les données cardiotocographiques CTO afin de transformer lesdites données cardiotocographiques CTO réceptionnées lors de la première étape sous la forme d’une matrice de dimension (N, 2), où N est un entier naturel, en un vecteur par exemple convolutionné de dimension M, où M est un entier naturel inférieur à N avec avantageusement N/M supérieur ou égal à 10.

[131] Lors d’une quatrième étape, le modèle d’intelligence artificielle IA résume le contexte clinique de la femme enceinte FE et/ou du fœtus FO et/ou de la grossesse dans un vecteur représentatif des données cliniques DCL.

[132] Lors d’une cinquième étape, le modèle d’intelligence artificielle IA concatène ensuite le vecteur de dimension M calculé lors de la troisième étape avec le vecteur représentatif des données cliniques DCL déterminé lors de la quatrième étape.

[133] Lors d’une sixième étape, le modèle d’intelligence artificielle IA opère le vecteur concaténé déterminé lors de la cinquième étape dans des couches denses du réseau de neurones 23, afin de déterminer, in fine, une prédiction du risque d’hypoxie fœtale RSK.

[134] Bien entendu, dans le contexte de la présente invention, les performances attendues pour le système 1 conforme au premier aspect de l’invention dépendent de la capacité du modèle d’intelligence artificielle IA à prédire un risque d’hypoxie fœtale RSK qui converge au moins avec les diagnostics réalisés par les praticiens, et préférentiellement qui converge avec le sens des métriques utilisées pour qualifier le risque d’hypoxie fœtale, telles que préférentiellement une mesure de pH. Ces performances dépendent bien entendu du modèle d’intelligence artificielle développé et de son apprentissage qui va maintenant être décrit.

[135] D’une manière générale, l’apprentissage du réseau de neurones 23 correspond à l’optimisation de ses paramètres internes en utilisant une base de données rétrospective contenant, pour un grand nombre d’accouchements - c’est-à-dire supérieur à plusieurs milliers, voire à plusieurs dizaines de milliers - les informations suivantes :

[136] - les données cardiotocographiques CTO précédant l’accouchement ;

[137] - les données cliniques DCL rendant compte du contexte clinique materno- fœtal ;

[138] - une information qualifiant l’issue fœtale afin de pouvoir évaluer au moins une présence ou une absence d’hypoxie fœtale.

[139] Dans le contexte de la présente invention, la méthode d’apprentissage du réseau de neurones 23 envisagée est basée sur un apprentissage semi-supervisé permettant de tirer avantage de données cardiotocographiques CTO non annotées, plus nombreuses et plus diverses.

[140] Une méthode supervisée utilisée dans l’état de l’art ne permet pas d’exploiter toutes les données cardiotocographiques CTO disponibles, puisque de nombreuses données cardiotocographiques CTO existent sans être associées à une issue fœtale qualifiée :

[141] - par exemple parce que celle-ci n’a pas été renseignées lors de l’accouchement ; [142] - par exemple parce que les données cardiotocographiques CTO ont été mesurées pendant un examen obstétrique de contrôle pendant la grossesse de la femme enceinte FE ;

[143] - par exemple parce que les données cardiotocographiques CTO ont été mesurées pendant l’accouchement mais bien avant la dernière demi-heure précédant la naissance du fœtus FO.

[144] Aussi, la méthode d’apprentissage selon l’invention, mettant en œuvre un apprentissage semi-supervisé, permet de disposer de davantage de données pour l’apprentissage du réseau de neurones 23 et conduit ainsi à une très grande précision dudit réseau de neurones 23 ainsi entrainé, par rapport à une méthode d’apprentissage supervisée.

[145] La méthode semi-supervisée selon l’invention se décompose en deux étapes successives :

[146] - une étape d’apprentissage initial des blocs de traitement des données cardiotocographiques prétraitées, par exemple convolutionnels, du réseau de neurones 23 sur l’ensemble des données disponibles - annotées ou non annotées, l’étape d’apprentissage initial permettant de déterminer des premières valeurs pour les paramètres qualifiant les blocs, par exemple convolutionnels, du réseau de neurones 23 ;

[147] - une deuxième étape d’apprentissage du réseau de neurones 23 dans lequel les paramètres des blocs du réseau de neurones 23 sont prédéterminés et égaux aux paramètres appris dans l’étape précédente.

[148] Les blocs sont appris à l’aide de l’une des trois méthodes suivantes, afin de, finalement, construire des blocs capables d’interpréter les données cardiotocographiques CTO et de les résumer dans un vecteur de taille M. (1 ) Apprentissage d’un auto-encodeur, qui prend la forme d’un modèle dont l’objectif est de reproduire les données qui ont été fournies en entrée. (2) Apprentissage d’un modèle dont l’objectif est de prédire les indicateurs IND, ou un sous-ensemble de ceux-ci, à partir des données qui ont été fournies en entrée. (3) Apprentissage d’un modèle, dans lequel certaines parties du signal sont masquées, et dont l’objectif est de les prédire à partir du reste du signal. [149] Durant l’étape d’apprentissage initial, la connaissance de l’issue fœtale associée aux données cardiotocographiques CTO n’est pas nécessaire, permettant au modèle d’être entraîné sur un plus grand ensemble de données cardiotocographiques CTO.

[150] L’apprentissage initial des blocs de traitement des données cardiotocographiques CTO du réseau de neurones 23 par le biais de l’une des 3 méthodes décrites comporte les étapes suivantes :

[151] - une étape d’intégration dans le réseau de neurones 23 des données cardiotocographiques CTO issues d’une base de données d’apprentissage, éventuellement en partie masquées pour la méthode 3 ;

[152] - une étape d’application des blocs, par exemple convolutionnels, sur les données cardiotocographiques CTO afin de les transformer sous la forme d’une matrice de dimension (N, 2), où N est un entier naturel et 2 correspond aux deux types de données différentes de cardiotocographie (contractions utérines, rythme cardiaque du fœtus), en un vecteur par exemple convolutionné de dimension M, où M est un entier naturel très inférieur à N (M « N );

[153] - une étape d’application de blocs divers permettant de construire une prédiction à partir du vecteur de dimension M : les données cardiotocographiques CTO dans la méthode 1 , un vecteur contenant les indicateurs IND dans la méthode 2, ou les données cardiotocographiques ayant été masquées dans la méthode 3.

[154] A l’issue de l’étape d’apprentissage initial via l’une des 3 méthodes décrites, la deuxième étape d’apprentissage est mise en œuvre afin d’utiliser le réseau de neurones 23 avec de nouvelles données cardiotocographiques CTO de vecteurs (N, 2) et en configurant ledit réseau de neurones 23 de sorte à ce que les paramètres structurels des blocs de traitement des données cardiotocographiques prétraitées sont initialisés aux valeurs déterminées durant ladite étape d’apprentissage initial. Ce qui permet d’obtenir des vecteurs colonne d’une seule dimension de taille M, avec M « N (avantageusement N/M supérieur ou égal à 10), à partir des données de cardiotocographie (contractions utérines, rythme cardiaque du fœtus) de dimensions (N, 2) et de concaténer éventuellement ces vecteurs colonnes (qui décrivent et résument fidèlement l’évolution des données cardiotocographie du fait de l’encodeur préalablement entraîné) avec les données cliniques. Durant la deuxième étape d’apprentissage, l’objectif est désormais d’optimiser les autres paramètres du réseau de neurones 23 pour que l’issue fœtale prédite par celui-ci soit le plus proche possible de l’issue fœtale réelle, connue pour la base de données annotées.

[155] Ainsi, selon l’invention, l’utilisation du modèle d’intelligence artificielle IA mis en œuvre par le réseau de neurones 23 entrainé permet de prédire le risque d’hypoxie fœtale RSK de manière précise.

[156] Complémentairement, l’invention adresse aussi la détermination d’indicateurs IND - calculés à partir des recommandations des sociétés savantes - et permettant de mettre en avant certains aspects d’un risque d’hypoxie fœtale RSK, interprétables par les praticiens. L’objectif est ici de calculer ces métriques afin de les mettre à disposition des praticiens pour l’interprétation médicale ultérieure et la prise de décision.

[157] Ainsi, le système 1 conforme au premier aspect de l’invention met en œuvre un second modèle, en parallèle du modèle d’intelligence artificielle IA tel que décrit précédemment, le second modèle servant à calculer en temps réel les indicateurs IND à partir des données cardiotocographiques CTO.

[158] L’objectif de ce second modèle est, d’une part, de déterminer les indicateurs IND bien connus et largement utilisés par les praticiens et, d’autre part, de calculer un risque d’hypoxie fœtale RSK, sur la base de ces indicateurs IND, tout en déterminant la part de chaque indicateur IND dans le risque d’hypoxie fœtale RSK ainsi calculé.

[159] De manière particulièrement avantageuse, le modèle mis en œuvre dans le contexte de la présente invention est plus particulièrement un modèle de régression logistique 24, dans lequel le risque d’hypoxie fœtale RSK P est défini comme

[160] où :

[161] - le risque d’hypoxie fœtale RSK estimé P est un nombre réel compris entre 0 et 1 , préférentiellement exprimé sous la forme d’un pourcentage ; [162] - x1 , xn correspondent aux indicateurs IND utilisées en entrée du modèle et issues des recommandations des sociétés savantes ;

[163] - les coefficients [3 sont estimés sur la base de données i rétrospective utilisée pour entrainer le réseau de neurones 23.

[164] Par suite, une contribution Ci de chaque indicateur IND relativement au risque d’hypoxie fœtale RSK est calculée, selon la formule suivante : C _£ = - — ^PiXi .

Lii,Pixi>o Pi ^x i

[165] Cet indicateur IND n’est calculé et affiché que pour les variables pour lesquelles le produit ? _£ x _£ est supérieur à 0. Ces variables sont ainsi associées à une contribution positive au risque d’hypoxie fœtale RSK. Complémentairement, la somme de toutes les contributions des indicateurs est égale à 1 .

[166] A titre d’exemple, citons un cas dans lequel le risque d’hypoxie fœtale évalué par le modèle d’intelligence artificielle vaut 70%, le risque évalué par le second modèle vaut 78%, et les contributions associées aux indicateurs, calculées comme détaillé précédemment et basées sur le second modèle statistique, sont positives et valent respectivement 31 % et 69% pour le nombre d’accélérations et le nombre de décélérations. Le système affichera alors 3 valeurs : le risque issu du modèle d’intelligence artificielle (70%), et les deux contributions du nombre d’accélérations et de décélérations (31 % et 69%).

[167] De manière avantageuse, les risques estimés par les deux modèles sont généralement suffisamment proches pour que les contributions calculées à partir du second modèle puissent être utilisées avec confiance avec le risque calculé par le modèle d’intelligence artificielle.

[168] En référence à la FIGURE 3, les performances du système 1 conforme à l’invention sont présentées par l’intermédiaire d’une courbe caractéristique de performance d’un test (courbe dite ROC, acronyme anglais pour « Receiver Operating Characteristic >>), ici celui de risque d’hypoxie fœtale RSK. Plus particulièrement, la FIGURE 3 illustre une évaluation des performances de la mesure du risque d’hypoxie fœtale RSK prédit par le système 1 selon l’invention et en comparaison aux diagnostics réalisés - dans des circonstances comparables, c’est-à-dire sur des ensembles de données cardiotocographiques CTO proches ou analogues - par les praticiens pour l’évaluation du même risque d’hypoxie fœtale RSK.

[169] Le graphique illustré sur la FIGURE 3 représente :

[170] - en ordonnées le taux de vrais positifs, c’est-à-dire la proportion des situations d’hypoxie fœtale correctement détectées par le système 1 selon l’invention ; et

[171] - en abscisses le taux de faux positifs, c’est-à-dire la proportion des situations sans hypoxie fœtale pour lesquelles le système 1 selon l’invention avait prédit une hypoxie fœtale.

[172] Sur le graphique illustré sur la FIGURE 3, chaque point de la courbe correspond à une quantification du risque d’hypoxie fœtale RSK déterminée par le système 1 selon l’invention.

[173] Comme visible sur le graphique illustré sur la FIGURE 3, l’évaluation du système 1 selon l’invention est réalisée via une base de données de référence comportant, pour 552 cas cliniques, les données cardiotocographiques CTO, l’issue fœtale permettant d’évaluer une situation d’hypoxie fœtale, définie par la condition (pH < 7.15) et le diagnostic finalement donné par des obstétriciens qui ont indiqué, pour chaque cas, si, selon eux, une situation d’hypoxie fœtale allait se présenter lors de l’accouchement. L’évaluation des annotations données par chaque obstétricien est représentée par une croix.

[174] Sur la FIGURE 3, on constate que le système 1 conforme au premier aspect de l’invention produit des performances perçues comme ayant une fiabilité et une justesse du risque d’hypoxie fœtale RSK prédit supérieures aux diagnostics des praticiens eux-mêmes.

[175] La FIGURE 4 montre la performance de différents modèles sur une base de données contenant 18961 cas. Le modèle 1 est une régression logistique utilisant les indicateurs IND, et peut être assimilé au second modèle sur lequel se base le calcul des contributions des indicateurs. Le modèle 2 est un réseau de neurones similaire à celui du système 1 , appris uniquement en utilisant les données annotées, Le modèle 3 est un réseau de neurones appris sur les données annotées et non annotées tel que décrit précédemment. Plus précisément, le modèle est appris en utilisant environ 580000 données non annotées (pour 18961 cas annotés). Le modèle 4 inclut également les données cliniques. La performance est évaluée en utilisant plusieurs métriques : l’AUC (Area Under the ROC Curve, ou aire sous la courbe ROC), la sensibilité à spécificité fixée (90% ou 95%), et la spécificité à sensibilité fixée (90% ou 95%). La FIGURE 4 illustre l’amélioration significative de la performance du modèle en y ajoutant les données non annotées (modèle 3) selon l’invention et en y ajoutant les données cliniques (modèle 4) selon l’invention.

[176] La FIGURE 5 illustre l’amélioration de la performance du modèle, en fonction du nombre de données non annotées utilisées dans l’apprentissage des blocs de traitement des données cardiotocographiques, avec le même nombre de données annotées à chaque fois constant. Cette figure illustre l’apport des données non annotées.

[177] La FIGURE 6 compare les 3 méthodes décrites d’apprentissage semi- supervisé, en utilisant l’intégralité des données annotées et 500000 données non annotées, illustrant l’efficacité des 3 méthodes et la supériorité de l’approche consistant à prédire les indicateurs IND à partir des données cardiotocographiques prétraitées.

[178] Les FIGURES 7, 8 et 9 illustrent plusieurs mesures et évaluations en temps réel du risque d’hypoxie fœtale RSK, telles que réalisées par le système 1 selon l’invention tel que décrit précédemment :

[179] - la FIGURE 7 illustre une première situation dans laquelle le risque d’hypoxie fœtale RSK calculé par le modèle d’intelligence artificielle IA est plutôt faible, égal à 25 % dans laquelle aucun indicateur IND n’a une contribution positive au risque d’hypoxie fœtale ;

[180] - la FIGURE 8 illustre une deuxième situation dans laquelle le risque d’hypoxie fœtale RSK calculé par le modèle d’intelligence artificielle IA est modéré, égal à 46 %. Le nombre de décélérations du rythme cardiaque fœtal identifié sur les données cardiotocographiques CTO explique 72% du risque estimé, tandis que les 28% restants sont expliqués par une ligne de base anormalement élevée ;

[181] - la FIGURE 9 illustre une troisième situation dans laquelle le risque d’hypoxie fœtale RSK calculé par le modèle d’intelligence artificielle IA est élevé, égal à 87 %. Le risque est expliqué par une ligne de base anormalement élevée par moments (56%), anormalement faible à d’autres moments (33%), et dans une moindre mesure par un nombre élevé d’accélérations (9%) et une décélération prolongée (2%).

[182] En synthèse, l’invention concerne un système 1 permettant de proposer une méthode d’analyse automatisée des données cardiotocographiques CTO et des données cliniques DCL afin de mesurer un risque d’hypoxie fœtale RSK, compris entre 0% pour une absence de risque et 100% pour une hypoxie fœtale avérée. Le système 1 selon l’invention permet, via le modèle d’intelligence artificielle IA mis en œuvre par le réseau de neurones 23 et via le modèle de régression mathématique, de déterminer les contributions CTR de différents indicateurs IND interprétables par des praticiens à ce risque. Les modèles d’évaluation du risque d’hypoxie fœtale RSK, déterminé via un réseau de neurones 23, et des contributions CTR des différents indicateurs IND dans le risque d’hypoxie fœtale RSK, déterminés par régression logistique 24, sont entraînés sur une base de données rétrospectives.

[183] Bien sûr, l’invention n’est pas limitée aux exemples qui viennent d’être décrits et de nombreux aménagements peuvent être apportés à ces exemples sans sortir du cadre de l’invention. Notamment, les différentes caractéristiques, formes, variantes et modes de réalisation de l’invention peuvent être associées les unes avec les autres selon diverses combinaisons dans la mesure où elles ne sont pas incompatibles ou exclusives les unes des autres. En particulier toutes les variantes et modes de réalisation décrits précédemment sont combinables entre eux