Improving Pelvic Floor Muscle Training with AI: A Novel Quality Assessment System for Pelvic Floor Dysfunction
Notice bibliographique
Résumé
The first line of treatment for urinary incontinence is pelvic floor muscle (PFM) training, aimed at reducing leakage episodes by strengthening these muscles. However, many women struggle with performing correct PFM contractions or have misconceptions about their contractions. To address this issue, we present a novel PFM contraction quality assessment system. This system combines a PFM contraction detector with a maximal PFM contraction performance classifier. The contraction detector first identifies whether or not a PFM contraction was performed. Then, the contraction classifier autonomously quantifies the quality of maximal PFM contractions across different features, which are also combined into an overall rating. Both algorithms are based on artificial intelligence (AI) methods. The detector relies on a convolutional neural network, while the contraction classifier uses a custom feature extractor followed by a random forest classifier to predict the strength rating based on the modified Oxford scale. The AI algorithms were trained and tested using datasets measured by vaginal dynamometry, combined in some cases with digital assessment results from expert physiotherapists. The contraction detector was trained on one dataset and then tested on two datasets measured with different dynamometers, achieving 97% accuracy on the first dataset and 100% accuracy on the second. For the contraction performance classifier, the results demonstrate that important clinical features can be extracted automatically with an acceptable error. Furthermore, the contraction classifier is able to predict the strength rating within a ±1 scale point with 97% accuracy. These results demonstrate the system's potential to enhance PFM training and rehabilitation by enabling women to monitor and improve their PFM contractions autonomously.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».