[ES] La monitorización de la frecuencia cardíaca fetal y de la actividad uterina es una práctica clínica habitual para obtener información del estado del feto durante el embarazo y el parto. Para la monitorización de la dinámica uterina tradicionalmente se han empleado técnicas como la tocodinamometría (TOCO) y la medida de la presión intrauterina mediante catéter. Sin embargo, ambas técnicas presentan limitaciones que hacen que se requiera la búsqueda de otras alternativas. En este sentido para solventar los problemas relacionados con estas técnicas se plantea el registro de la señal electrohisterográfica (EHG) como una alternativa para monitorizar de forma precisa y no invasiva la actividad mioeléctrica uterina. La técnica ha sido ampliamente estudiada en diferentes condiciones obstétricas como es el caso de la predicción del parto prematuro y en la detección de contracciones de parto; y unos pocos en la predicción del éxito de la inducción del parto y en la estimación de la presión intrauterina. A pesar de que el registro EHG ha demostrado que aporta información relevante sobre las propiedades bioeléctricas del útero, existen pocos estudios sobre la respuesta mioeléctrica uterina a los medicamentos empleados en la inducción del parto que puedan servir como herramienta de ayuda en la predicción del resultado de la inducción del parto. En la presente tesis se abordó este problema mediante dos objetivos generales: 1) caracterizar la respuesta electrofisiológica uterina a los fármacos de inducción del parto a partir de registros EHG y 2) desarrollar y valorar sistemas de ayuda al diagnóstico para predecir el éxito de inducción del parto. Los resultados del primer objetivo revelaron una diferente evolución de los parámetros EHG entre los grupos de éxito y fracaso, revelando que podría ser útil para una predicción de inducción exitosa en las primeras etapas de la inducción, especialmente cuando se usa misoprostol. Para el segundo objetivo se diseñaron sistemas predictores del éxito de la inducción del parto mediante técnicas de machine learning valorando su capacidad predictora. Los resultados mostraron que el EHG puede usarse potencialmente para predecir la inducción exitosa del parto y supera al uso de las características obstétricas tradicionales. El uso clínico del sistema de predicción propuesto ayudaría a mejorar el bienestar materno-fetal y optimizar los recursos hospitalarios. Por otra parte, en la presente tesis también se abordó el registro EHG como una técnica no invasiva para la estimación de la presión intrauterina. Diversos estudios han intentado estimar la señal IUP a partir de parámetros extraídos de la señal EHG. A pesar de estos esfuerzos, existen limitaciones no abordadas específicamente en dichos estudios como es el caso de la gran variabilidad entre pacientes. Por ello, se propuso mejorar la estimación de presión uterina reportada en la literatura mediante un enfoque de interés clínico y abordando la problemática de la variabilidad entre pacientes. Se diseñaron modelos para la estimación de IUP, utilizando diferentes tipos de criterios de optimización y se desarrollaron modelos individuales (mono-paciente) y globales (con el conjunto de pacientes). Finalmente, se abordó el problema de la variabilidad entre sujetos mediante el desarrollo de algoritmos adaptativos para mejorar la exactitud de las estimaciones de IUP derivadas de los modelos globales. Los modelos adaptativos desarrollados superaron los modelos globales, proporcionando un mejor balance para estimar la señal continua de IUP, el tono y la máxima presión. Los modelos de estimación de IUP basados en EHG propuestos en la presente tesis permiten una monitorización no invasiva de la actividad uterina más precisa y, por lo tanto, una mejor evaluación del progreso del parto y del bienestar materno y fetal. / [EN] Monitoring fetal heart rate and uterine activity is a common clinical practice to obtain information on the status of the fetus during pregnancy and delivery. Techniques such as tocodynamometry (TOCO) and measurement of intrauterine pressure using a catheter have traditionally been used to monitor uterine dynamics. However, both techniques have limitations that require the search for other alternatives. In this sense, to solve the problems related to these techniques, the recording of the electrohysterographic signal (EHG) is proposed as an alternative to monitor uterine myoelectrical activity accurately and noninvasively. The technique has been extensively studied in different obstetric conditions, such as the prediction of preterm labor and the detection of labor contractions; and a few in predicting the success of labor induction and in estimating intrauterine pressure. Despite the fact that the EHG record has been shown to provide relevant information on the bioelectric properties of the uterus, there are few studies on the uterine myoelectrical response to the medications used to induce labor that can serve as a tool to help predict the outcome of induction of labor. In the present thesis, this problem was addressed through two general objectives: 1) to characterize the uterine electrophysiological response to labor induction drugs from EHG records and 2) to develop and assess diagnostic aid systems to predict the success of induction of labor. The results of the first objective revealed a different evolution of the EHG parameters between the success and failure groups, revealing that it could be useful for a successful induction prediction in the early stages of induction, especially when misoprostol is used. For the second objective, predictive systems for the success of labor induction were designed using machine learning techniques, evaluating its predictive capacity. The results showed that EHG can potentially be used to predict successful induction of labor and outperforms the use of traditional obstetric features. The clinical use of the proposed prediction system would help improve maternal-fetal well-being and optimize hospital resources. On the other hand, in this thesis, EHG recording was also addressed as a non-invasive technique for estimating intrauterine pressure. Various studies have attempted to estimate the IUP signal from parameters extracted from the EHG signal. Despite these efforts, there are limitations not specifically addressed in these studies, such as the great variability between patients. Therefore, it was proposed to improve the estimation of uterine pressure reported in the literature using an approach of clinical interest and addressing the problem of variability between patients. Models were designed for the estimation of IUP, using different types of optimization criteria, and individual (single-patient) and global models (with the set of patients) were developed. Finally, the problem of variability between subjects was addressed through the development of adaptive algorithms to improve the accuracy of IUP estimates derived from global models. The adaptive models developed outperformed the global models, providing better balance to estimate continuous IUP signal, tonus, and maximum pressure. The EHG-based IUP estimation models proposed in this thesis allow more precise non-invasive monitoring of uterine activity and, therefore, a better evaluation of labor progress and maternal and fetal well-being / [CA] La monitorització de la freqüència cardíaca fetal i de l'activitat uterina és una pràctica clínica habitual per a obtindre informació de l'estat del fetus durant l'embaràs i el part. Per a la monitorització de la dinàmica uterina tradicionalment s'han empleat tècniques com la tocodinamometría (TOQUE) i la mesura de la pressió intrauterina per mitjà de catèter. No obstant això, ambdós tècniques presenten limitacions que fan que es requerisca la busca d'altres alternatives. En este sentit per a resoldre els problemes relacionats amb estes tècniques es planteja el registre del senyal electrohisterográfica (EHG) com una alternativa per a monitoritzar de forma precisa i no invasiva l'activitat mioeléctrica uterina. La tècnica ha sigut àmpliament estudiada en diferents condicions obstétricas com és el cas de la predicció del part prematur i en la detecció de contraccions de part; i uns pocs en la predicció de l'èxit de la inducció del part i en l'estimació de la pressió intrauterina. A pesar que el registre EHG ha demostrat que aporta informació rellevant sobre les propietats bioeléctricas de l'úter, hi ha pocs estudis sobre la resposta mioeléctrica uterina als medicaments empleats en la inducció del part que puguen servir com a ferramenta d'ajuda en la predicció del resultat de la inducció del part. En la present tesi es va abordar este problema per mitjà de dos objectius generals: 1) caracteritzar la resposta electrofisiològica uterina als fàrmacs d'inducció del part a partir de registres EHG i 2) desenrotllar i valorar sistemes d'ajuda al diagnòstic per a predir l'èxit d'inducció del part. Els resultats del primer objectiu van revelar una diferent evolució dels paràmetres EHG entre els grups d'èxit i fracàs, revelant que podria ser útil per a una predicció d'inducció exitosa en les primeres etapes de la inducció, especialment quan s'usa misoprostol. Per al segon objectiu es van dissenyar sistemes predictors de l'èxit de la inducció del part per mitjà de tècniques de machine learning valorant la seua capacitat predictora. Els resultats van mostrar que l'EHG pot usar-se potencialment per a predir la inducció exitosa del part i supera a l'ús de les característiques obstétricas tradicionals. L'ús clínic del sistema de predicció proposat ajudaria a millorar el benestar matern-fetal i optimitzar els recursos hospitalaris. D'altra banda, en la present tesi també es va abordar el registre EHG com una tècnica no invasiva per a l'estimació de la pressió intrauterina. Diversos estudis han intentat estimar el senyal IUP a partir de paràmetres extrets del senyal EHG. A pesar d'estos esforços, hi ha limitacions no abordades específicament en els dits estudis com és el cas de la gran variabilitat entre pacients. Per això, es va proposar millorar l'estimació de pressió uterina reportada en la literatura per mitjà d'un enfocament d'interés clínic i abordant la problemàtica de la variabilitat entre pacients. Es van dissenyar models per a l'estimació d'IUP, utilitzant diferents tipus de criteris d'optimització i es van desenrotllar models individuals (mona-pacient) i globals (amb el conjunt de pacients). Finalment, es va abordar el problema de la variabilitat entre subjectes per mitjà del desenrotllament d'algoritmes adaptatius per a millorar l'exactitud de les estimacions d'IUP derivades dels models globals. Els models adaptatius desenrotllats van superar els models globals, proporcionant un millor balanç per a estimar el senyal continu d'IUP, el to i la màxima pressió. Els models d'estimació d'IUP basats en EHG proposats en la present tesi permeten una monitorització no invasiva de l'activitat uterina més precisa i, per tant, una millor avaluació del progrés del part i del benestar matern i fetal. / Benalcazar Parra, CA. (2020). Caracterización y utilidad de la electromiografía uterina en diferentes escenarios obstétricos: partos inducidos y estimación de presión intrauterina [Tesis doctoral no publicada]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/149403 / TESIS

Tesis por compendio / [ES] El parto prematuro, definido como el nacimiento antes de las 37 semanas de gestación, es una importante preocupación mundial con implicaciones para la salud de los recién nacidos y los costes económicos. Afecta aproximadamente al 11% de todos los nacimientos, lo que supone más de 15 millones de individuos en todo el mundo. Los métodos actuales para predecir el parto prematuro carecen de precisión, lo que conduce a un sobrediagnóstico y a una viabilidad limitada en entornos clínicos. La electrohisterografía (EHG) ha surgido como una alternativa prometedora al proporcionar información relevante sobre la electrofisiología uterina. Sin embargo, los sistemas de predicción anteriores basados en EHG no se han trasladado de forma efectiva a la práctica clínica, debido principalmente a los sesgos en el manejo de datos desbalanceados y a la necesidad de modelos de predicción robustos y generalizables. Esta tesis doctoral pretende desarrollar un sistema de predicción del parto prematuro basado en inteligencia artificial utilizando EHG y datos obstétricos de mujeres sometidas a controles prenatales regulares. Este sistema implica la extracción de características relevantes, la optimización del subespacio de características y la evaluación de estrategias para abordar el reto de los datos desbalanceados para una predicción robusta. El estudio valida la eficacia de las características temporales, espectrales y no lineales para distinguir entre casos de parto prematuro y a término. Las nuevas medidas de entropía, en concreto la dispersión y la entropía de burbuja, superan a las métricas de entropía tradicionales en la identificación del parto prematuro. Además, el estudio trata de maximizar la información complementaria al tiempo que minimiza la redundancia y las características de ruido para optimizar el subespacio de características para una predicción precisa del parto prematuro mediante un algoritmo genético. Además, se ha confirmado la fuga de información entre el conjunto de datos de entrenamiento y el de prueba al generar muestras sintéticas antes de la partición de datos, lo que da lugar a una capacidad de generalización sobreestimada del sistema predictor. Estos resultados subrayan la importancia de particionar y después remuestrear para garantizar la independencia de los datos entre las muestras de entrenamiento y de prueba. Se propone combinar el algoritmo genético y el remuestreo en la misma iteración para hacer frente al desequilibrio en el aprendizaje de los datos mediante el enfoque de particio'n-remuestreo, logrando un área bajo la curva ROC del 94% y una precisión media del 84%. Además, el modelo demuestra un F1-score y una sensibilidad de aproximadamente el 80%, superando a los estudios existentes que consideran el enfoque de remuestreo después de particionar. Esto revela el potencial de un sistema de predicción de parto prematuro basado en EHG, permitiendo estrategias orientadas al paciente para mejorar la prevención del parto prematuro, el bienestar materno-fetal y la gestión óptima de los recursos hospitalarios. En general, esta tesis doctoral proporciona a los clínicos herramientas valiosas para la toma de decisiones en escenarios de riesgo materno-fetal de parto prematuro. Permite a los clínicos diseñar estrategias orientadas al paciente para mejorar la prevención y el manejo del parto prematuro. La metodología propuesta es prometedora para el desarrollo de un sistema integrado de predicción del parto prematuro que pueda mejorar la planificación del embarazo, optimizar la asignación de recursos y reducir el riesgo de parto prematuro. / [CA] El part prematur, definit com el naixement abans de les 37 setmanes de gestacio', e's una important preocupacio' mundial amb implicacions per a la salut dels nounats i els costos econo¿mics. Afecta aproximadament a l'11% de tots els naixements, la qual cosa suposa me's de 15 milions d'individus a tot el mo'n. Els me¿todes actuals per a predir el part prematur manquen de precisio', la qual cosa condueix a un sobrediagno¿stic i a una viabilitat limitada en entorns cl¿'nics. La electrohisterografia (EHG) ha sorgit com una alternativa prometedora en proporcionar informacio' rellevant sobre l'electrofisiologia uterina. No obstant aixo¿, els sistemes de prediccio' anteriors basats en EHG no s'han traslladat de manera efectiva a la pra¿ctica cl¿'nica, degut principalment als biaixos en el maneig de dades desequilibrades i a la necessitat de models de prediccio' robustos i generalitzables. Aquesta tesi doctoral prete'n desenvolupar un sistema de prediccio' del part prematur basat en intel·lige¿ncia artificial utilitzant EHG i dades obste¿triques de dones sotmeses a controls prenatals regulars. Aquest sistema implica l'extraccio' de caracter¿'stiques rellevants, l'optimitzacio' del subespai de caracter¿'stiques i l'avaluacio' d'estrate¿gies per a abordar el repte de les dades desequilibrades per a una prediccio' robusta. L'estudi valguda l'efica¿cia de les caracter¿'stiques temporals, espectrals i no lineals per a distingir entre casos de part prematur i a terme. Les noves mesures d'entropia, en concret la dispersio' i l'entropia de bambolla, superen a les me¿triques d'entropia tradicionals en la identificacio' del part prematur. A me's, l'estudi tracta de maximitzar la informacio' complementa¿ria al mateix temps que minimitza la redunda¿ncia i les caracter¿'stiques de soroll per a optimitzar el subespai de caracter¿'stiques per a una prediccio' precisa del part prematur mitjan¿cant un algorisme gene¿tic. A me's, hem confirmat la fugida d'informacio' entre el conjunt de dades d'entrenament i el de prova en generar mostres sinte¿tiques abans de la particio' de dades, la qual cosa dona lloc a una capacitat de generalitzacio' sobreestimada del sistema predictor. Aquests resultats subratllen la importa¿ncia de particionar i despre's remostrejar per a garantir la independe¿ncia de les dades entre les mostres d'entrenament i de prova. Proposem combinar l'algorisme gene¿tic i el remostreig en la mateixa iteracio' per a fer front al desequilibri en l'aprenentatge de les dades mitjan¿cant l'enfocament de particio'-remostrege, aconseguint una a¿rea sota la corba ROC del 94% i una precisio' mitjana del 84%. A me's, el model demostra una puntuacio' F1 i una sensibilitat d'aproximadament el 80%, superant als estudis existents que consideren l'enfocament de remostreig despre's de particionar. Aixo¿ revela el potencial d'un sistema de prediccio' de part prematur basat en EHG, permetent estrate¿gies orientades al pacient per a millorar la prevencio' del part prematur, el benestar matern-fetal i la gestio' o¿ptima dels recursos hospitalaris. En general, aquesta tesi doctoral proporciona als cl¿'nics eines valuoses per a la presa de decisions en escenaris de risc matern-fetal de part prematur. Permet als cl¿'nics dissenyar estrate¿gies orientades al pacient per a millorar la prevencio' i el maneig del part prematur. La metodologia proposada e's prometedora per al desenvolupament d'un sistema integrat de prediccio' del part prematur que puga millorar la planificacio' de l'embara¿s, optimitzar l'assignacio' de recursos i millorar la qualitat de l'atencio'. / [EN] Preterm delivery, defined as birth before 37 weeks of gestation, is a significant global concern with implications for the health of newborns and economic costs. It affects approximately 11% of all births, amounting to more than 15 million individuals worldwide. Current methods for predicting preterm labor lack precision, leading to overdiagnosis and limited practicality in clinical settings. Electrohysterography (EHG) has emerged as a promising alternative by providing relevant information about uterine electrophysiology. However, previous prediction systems based on EHG have not effectively translated into clinical practice, primarily due to biases in handling imbalanced data and the need for robust and generalizable prediction models. This doctoral thesis aims to develop an artificial intelligence based preterm labor prediction system using EHG and obstetric data from women undergoing regular prenatal check-ups. This system entails extracting relevant features, optimizing the feature subspace, and evaluating strategies to address the imbalanced data challenge for robust prediction. The study validates the effectiveness of temporal, spectral, and non-linear features in distinguishing between preterm and term labor cases. Novel entropy measures, namely dispersion and bubble entropy, outperform traditional entropy metrics in identifying preterm labor. Additionally, the study seeks to maximize complementary information while minimizing redundancy and noise features to optimize the feature subspace for accurate preterm delivery prediction by a genetic algorithm. Furthermore, we have confirmed leakage information between train and test data set when generating synthetic samples before data partitioning giving rise to an overestimated generalization capability of the predictor system. These results emphasize the importance of using partitioning-resampling techniques for ensuring data independence between train and test samples. We propose to combine genetic algorithm and resampling method at the same iteration to deal with imbalanced data learning using partition-resampling pipeline, achieving an Area Under the ROC Curve of 94% and Average Precision of 84%. Moreover, the model demonstrates an F1-score and recall of approximately 80%, outperforming existing studies on partition-resampling pipeline. This finding reveals the potential of an EHG-based preterm birth prediction system, enabling patient-oriented strategies for enhanced preterm labor prevention, maternal-fetal well-being, and optimal hospital resource management. Overall, this doctoral thesis provides clinicians with valuable tools for decision-making in preterm labor maternal-fetal risk scenarios. It enables clinicians to design a patient-oriented strategies for enhanced preterm birth prevention and management. The proposed methodology holds promise for the development of an integrated preterm birth prediction system that can enhance pregnancy planning, optimize resource allocation, and ultimately improve the outcomes for both mother and baby. / Nieto Del Amor, F. (2023). Design and assessment of a computer-assisted artificial intelligence system for predicting preterm labor in women attending regular check-ups. Emphasis in imbalance data learning technique [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/200900 / Compendio