Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français fr
CORDIS - Résultats de la recherche de l’UE
CORDIS

Birth and Labor Outcome Optimization through Multimodal AI

Description du projet

L’IA au service de la surveillance fœtale

La cardiotocographie (CTG) aide les cliniciens à surveiller le bien-être du fœtus pendant le travail. Elle permet de suivre la fréquence cardiaque fœtale et les contractions utérines afin de détecter des problèmes comme le manque d’oxygène, qui peuvent entraîner des lésions graves, voire la mort. L’interprétation repose en grande partie sur l’expérience clinique, ce qui rend les décisions subjectives et parfois incohérentes. Soutenu par le programme Actions Marie Skłodowska-Curie, le projet BLOOM développe un système d’IA destiné à faciliter la prise de décision pendant le travail. Il combine les données de CTG avec les courbes de croissance issues des échographies et les dossiers médicaux de la mère provenant de systèmes électroniques. Il utilise également une approche physiopathologique qui tient compte des réponses fœtales individuelles et de l’état de santé de la mère. Le système sera conçu et validé afin d’améliorer la précision de l’évaluation du bien-être fœtal.

Objectif

Cardiotocography (CTG) is a vital tool for monitoring fetal well-being during labor, recording fetal heart rate and uterine contractions to detect issues like hypoxia, which can cause neonatal deaths or long-term neurological damage. Early detection through CTG enables timely interventions, such as emergency cesarean sections, reducing risks. However, interpreting CTG data is challenging and depends heavily on clinician expertise, making assessments sometimes subjective and prone to error. This has driven interest in integrating artificial intelligence (AI) into CTG analysis to support clinicians with more accurate and timely decision-making. While AI shows promise in enhancing CTG interpretation, a significant challenge remains the absence of a universally accepted standard for assessing fetal outcomes. Many existing methods rely on surrogate markers or rigid scoring systems that fail to account for the complex physiological responses of individual fetuses. A pathophysiological approach, which considers unique fetal compensatory mechanisms and maternal health factors like hypertension or gestational diabetes, can provide a more nuanced and precise assessment of fetal well-being. The Birth and Labor Outcome Optimization through Multimodal AI (BLOOM) project is designed to address these challenges. It aims to develop, implement, and validate an advanced AI system specifically for use during labor. This system will integrate multimodal data, including fetal growth patterns from ultrasound screenings, maternal health conditions from electronic health records (EHR), and pathophysiological interpretations of CTG data. By combining these personalized factors with cutting-edge AI technologies, BLOOM seeks to create a more accurate and effective tool for assessing fetal well-being during labor, ultimately improving clinical outcomes and personalizing care.

Champ scientifique (EuroSciVoc)

Mots‑clés

Programme(s)

Thème(s)

Régime de financement

HORIZON-TMA-MSCA-PF-GF - HORIZON TMA MSCA Postdoctoral Fellowships - Global Fellowships

Voir tous les projets financés dans le cadre de ce programme de financement

Appel à propositions

(s’ouvre dans une nouvelle fenêtre) HORIZON-MSCA-2025-PF

Voir tous les projets financés au titre de cet appel

Coordinateur

UNIVERSITA DEGLI STUDI GABRIELE D'ANNUNZIO DI CHIETI-PESCARA
Contribution nette de l'UE
€ 321 948,72
Coût total
Aucune donnée

Partenaires (2)