Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

Birth and Labor Outcome Optimization through Multimodal AI

Descrizione del progetto

L’intelligenza artificiale nel monitoraggio fetale

La cardiotocografia (CTG), che aiuta i medici a monitorare il benessere del feto durante il travaglio, rileva la frequenza cardiaca fetale e le contrazioni uterine per individuare problemi quali la carenza di ossigeno, che può causare gravi danni o la morte; tuttavia, la sua interpretazione dipende in larga misura dall’esperienza clinica, il che rende le decisioni soggettive e talvolta incoerenti. Sostenuto dal programma di azioni Marie Skłodowska-Curie, il progetto BLOOM sta sviluppando un sistema basato sull’intelligenza artificiale per supportare il processo decisionale durante il travaglio che combina i dati della CTG con i modelli di crescita ecografica e le cartelle cliniche della madre provenienti da sistemi elettronici. Il sistema, che si avvale inoltre di un approccio fisiopatologico che tiene conto delle risposte fetali individuali e delle condizioni della madre, sarà sviluppato e convalidato per migliorare l’accuratezza nella valutazione del benessere fetale.

Obiettivo

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.

Campo scientifico (EuroSciVoc)

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

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

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) HORIZON-MSCA-2025-PF

Vedi tutti i progetti finanziati nell’ambito del bando

Coordinatore

UNIVERSITA DEGLI STUDI GABRIELE D'ANNUNZIO DI CHIETI-PESCARA
Contributo netto dell'UE
€ 321 948,72
Indirizzo
VIA DEI VESTINI 31
66100 Chieti
Italia
Regione
Sud Abruzzo Chieti
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
Nessun dato

Partner (2)