Postpartum komplikasyon yönetiminde yapay zekâ teknolojisi ve ebelik bakımına katkısı

Year 2024, , 189 - 193, 31.08.2024

Sema Göçmez , Elif Yağmur Gür

https://doi.org/10.61534/anatoljhr.1402380

Abstract

Postpartum komplikasyonların erken tahmini ve gerekli önlemlerin alınması maternal/fetal sağlık açısından oldukça önemlidir. Sağlık alanındaki problem çözümlerinde yapay zeka uygulamaları son yıllarda giderek artmaktadır. Postpartum ciddi kanamaların erken dönem tespitinde kanamayı katerizasyonla dijital olarak görüntüleyen, sağlık çalışanına uyarı veren yapay zekâ uygulamaları %87.5 oranında başarılı bulunmuştur. Postpartum depresyonda olan anneler, bebeklerinin ağlama seslerinin akustik özelliklerine temellendirilmiş yapay zekâ temelli makine öğrenim tekniği ile analiz edildiğinde erken dönemde %89.5 doğruluk oranıyla tespit edilmiştir. Mobil uygulamalarla gestasyonel diyabetin evden takip edilmesi hastaneye başvuruları %88.5 insülin tedavisi ihtiyacını da %100 oranında azaltmıştır.
Yapay zeka teknolojisinin obstetri alanında özellikle gebelik, doğum ve doğum sonu süreçte kullanımının olası komplikasyonların erken dönemde fark edilmesine, bakım kalitesinin ve hasta memnuniyetinin artmasına olanak sağladığı görülmektedir. Bu sebeple bu çalışma, postpartum komplikasyon yönetiminde yapay zekâ teknolojisi literatür ışığında incelenerek, sağlık profesyonellerinin özellikle doğum sonu bakımda ebelerin uygulama ve bakım kalitesini artırmak amaçlanmıştır.

Keywords

doğum sonu, ebelik, komplikasyon, yapay zekâ

Ethical Statement

Yok

Supporting Institution

Yok

Project Number

Yok

Thanks

Yok

The artificial intelligence technology in postpartum complication management and its contribution to midwifery care

Abstract

The early prediction of postpartum complications and taking necessary measures is highly important for maternal/fetal health. In recent years, artificial intelligence applications in healthcare have surged. Artificial intelligence tools detecting postpartum bleeding via catheterization and alerting healthcare workers showed 87.5% success. Mothers experiencing postpartum depression were detected in the early period with an accuracy rate of 89.5% when analyzed using machine learning technique grounded on the acoustic characteristics of their babies' crying sounds. Home monitoring of gestational diabetes via mobile apps reduced hospital admissions by 88.5% and eliminated the need for insulin treatment by 100%. It is seen that artificial intelligence allows early recognition of complications in the field of midwifery, especially in perinatal period, and increase the quality of care and patient satisfaction. Thus, this study aims to enhance healthcare quality, particularly in postpartum care, by exploring artificial intelligence's role in managing postpartum complications, informed by existing literature.

Keywords

artificial intelligence, complication, midwifery, postpartum

Project Number

Yok

References

• Akalın, B., & Veranyurt, Ü. (2022). Sağlık 4.0 ve sağlıkta yapay zekâ. Sağlık Profesyonelleri Araştırma Dergisi, 4(1), 57-64.
• Aksoy, Ö., Yiğit, F., & Yurtseven, E. (2022). Perinatoloji sağlık eğitimi: Gelişen ve değişen dinamikler. Atlas Üniversitesi Tıp ve Sağlık Bilimleri Dergisi, 2(3),12-25.
• Amit, G., Girshovitz, I., Marcus, K., Zhang, Y., Pathak, J., Bar, V., & Akiva, P. (2021). Estimation of postpartum depression risk from electronic health records using machine learning. BMC Pregnancy and Childbirth, 21(1), 1-10.
• Andersson, S., Bathula, D.R., Iliadis, S.I., Walter, M., & Skalkidou, A. (2021). Predicting women with depressive symptoms postpartum with machine learning methods. Scientific Reports, 11(5), 77-78. https://doi.org/10.1038/s41598-021-86368-y
• Atasever, S., Azgınoğlu, N., Terzi, N., & Terzi, R. (2021). Sağlıkta yapay zekâ kullanımı. Ş. Sağıroğlu, M.U. Demirezen (Ed.) Yapay zekâ ve büyük veri çalışmaları, siber güvenlik ve mahremiyet (s. 177-199). Nobel Akademik Yayıncılık.
• Barbounaki, S., & Vivilaki, V. G. (2021). Intelligent systems in obstetrics and midwifery: Applications of machine learning. European Journal of Midwifery, 5(12), 58-70. https://doi.org/10.18332/ejm/143166
• Betts, K. S., Kisely, S., & Alati, R. (2019). Maternal doğum sonrası yaygın komplikasyonları tahmin etme: Sağlıkla ilgili idari verilerden ve makine öğreniminden yararlanma. BJOG: Uluslararası Kadın Hastalıkları ve Doğum Dergisi, 126(6), 702-709.
• Büyükgöze, S., & Dereli, E. (2019, Temmuz 7- 10). Toplum 5.0 ve dijital sağlık. VI. Uluslararası Bilimsel ve Mesleki Çalışmalar Kongresi-Fen ve Sağlık.
• Caballero-Ruiz, E., Garcia-Saez, G., Rigla, M., Villaplana, M., Pons, B., & Hernando, M. E. (2017). A web-based clinical decision support system for gestational diabetes: Automatic diet prescription and detection of insulin needs. International Journal of Medical Informatics, 102(4), 35-49. https://doi.org/10.1016/j.ijmedinf.2017.02.014
• Davidson, L., & Boland, M. R. (2020). Enabling pregnant women and their physicians to make informed medication decisions using artificial intelligence. Journal of Pharmacokinetics and Pharmacodynamics, 47(4), 305-318.
• Delanerolle, G., Yang, X., Shetty, S., Raymont, V., Shetty, A., Phiri, P., & Shi, J. Q. (2021). Artificial intelligence: A rapid case for advancement in the personalization of gynaecology/obstetric and mental health care. Women's Health, 17(4), 1-20. https://doi.org/10.1177/17455065211018111
• Ekrem, E. C., & Daşıkan, Z. (2021). Perinatal dönemde yapay zekâ teknolojisinin kullanımı. Eurasian Journal of Health Technology Assessment, 5(2), 147-162.
• Fauziah, S. F., Suryono, S., & Widyawati, M. N. (2018, Aralık). Postpartum blood loss measurement using digital image processing. E3S Web Of Conferences. https://doi.org/10.1051/E3sconf/201873
• Gabrieli, G., Bornstein, M. H., Manian, N., & Esposito, G. (2020). Assessing mothers’ postpartum depression from their infants’ cry vocalizations. Behavioral Sciences, 10(2), 55-60. https://doi.org/10.3390/Bs10020055
• Gulzar Ahmad, S., Iqbal, T., Javaid, A., Ullah Munir, E., Kirn, N., Ullah Jan, S., & Ramzan, N. (2022). Sensing and artificial intelligent maternal-infant health care systems: A review. Sensors, 22(12), 43-62. https://doi.org/10.3390/S22124362
• Kaya, U., Yılmaz, A., & Dikmen, Y. (2019). Sağlık alanında kullanılan derin öğrenme yöntemleri. Avrupa Bilim ve Teknoloji Dergisi, 16, 792-808.
• Kumar, N. R., Hirshberg, A., & Srinivas, S. K. (2022). Best practices for managing postpartum hypertension. Current Obstetrics and Gynecology Reports, 11(2), 159-168. https://doi.org/10.1007/s13669-022-00343-6
• Khan, M. S., Bates, D., & Kovacheva, V. P. (2021). The quest for equitable health care: The potential for artificial intelligence. NEJM Catalyst Innovations in Care Delivery, 2(6), 1-9.
• Liu, Y., & Wang, X. (2021). Application of smart mobile medical services in maternal health care management. Contrast Media & Molecular Imaging, Artical 6249736, 1-6. https://doi.org/10.1155/2021/6249736
• Lu, L., & Huang, T. (2022). Effects of early nursing monitoring on pregnancy outcomes of pregnant women with gestational diabetes mellitus under internet of things. Computational and Mathematical Methods in Medicine, Artical 8535714, 1-11. https://doi.org/10.1155/2022/8535714
• Merih, Y. D., & Akdoğan, E. (2021, Kasım 24-26). Hemşirelikte yapay zekâ. 4th International Eurasian Conference on Biological and Chemical Sciences.
• Özdemir, L., & Bilgin, A. (2021). Sağlıkta yapay zekanın kullanımı ve etik sorunlar. Sağlık ve Hemşirelik Yönetimi Dergisi, 8(3), 439-445.
• Peleg, M., Shahar, Y., Quaglini, S., Broens, T., Budasu, R., & Fung, N. (2017). Assessment of a personalized and distributed patient guidance system. International Journal of Medical Informatics, 101(6), 108-130. https://doi.org/10.1016/j.ijmedinf.2017.02.010
• Periyathambi, N., Parkhi, D., Ghebremichael-Weldeselassie, Y., Patel, V., Sukumar, N., Siddharthan, R., ... & Saravanan, P. (2022). Machine learning prediction of non-attendance to postpartum glucose screening and subsequent risk of type 2 diabetes following gestational diabetes. Plos One, 17(3), 1-14. https://doi.org/10.1371/journal.pone.0264648
• Saqib, K., Khan, A. F., & Butt, Z. A. (2021). Machine learning methods for predicting postpartum depression: Scoping review. JMIR Mental Health, 8(11), 1-14. https://mental.jmir.org/2021/11/E29838
• Shu, C., Han, S., Li, L., Xu, P., & Bai, Y. (2021). The clinical application and prospect of smart prenatal care and postpartum recovery. Journal of Healthcare Engineering, 2021, 1-8. https://doi.org/10.1155/2021/3279714
• Şendir, M., Şimşekoğlu, N., Kaya, A., & Sümer, K. (2019). Geleceğin teknolojisinde hemşirelik. Sağlık Bilimleri Üniversitesi Hemşirelik Dergisi, 1(3), 209-214.
• Uzun, T. (2020). Yapay zekâ ve sağlık uygulamaları. İzmir Kâtip Çelebi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 3(1), 80-92.
• Wang, S., Pathak, J., & Zhang, Y. (2019). Using electronic health records and machine learning to predict postpartum depression. MEDINFO 2019; Health and Wellbeing e-Networks for all. 264(12), 888-892. https://doi.org/10.3233/SHTI190351