Delivery color code: sistema di intelligenza artificiale per la previsione del successo del parto operativo vaginale

La gestione del secondo stadio del travaglio rappresenta una fase critica dell’assistenza ostetrica, in cui la decisione tra parto vaginale operativo e taglio cesareo urgente può influenzare significativamente gli esiti materni e neonatali. Le tradizionali valutazioni cliniche tramite ispezione digitale presentano limiti di accuratezza e riproducibilità. L’obiettivo di questo studio è lo sviluppo di un sistema di supporto decisionale clinico in grado di integrare parametri ecografici intrapartum con tecniche di Intelligenza Artificiale e logica fuzzy, al fine di fornire una stratificazione oggettiva del rischio di fallimento del parto operativo tramite un indicatore denominato “Delivery Color Code” (verde, giallo, rosso).

È stato condotto uno studio osservazionale prospettico su una coorte di 265 donne giunte al secondo stadio del travaglio con gravidanza singola a termine e presentazione cefalica. I dati ecografici transperineali sono stati acquisiti secondo un protocollo standardizzato e utilizzati per l’estrazione automatica di tre parametri chiave: posizione dell’occipite fetale (identificata tramite reti neurali convoluzionali), distanza testa-perineo (HPD) e Midline Angle (MLA). Tali parametri sono stati integrati in un Adaptive Neuro-Fuzzy Inference System (ANFIS), in grado di combinare capacità di apprendimento dei modelli neurali con la trasparenza interpretativa della logica fuzzy. Per la valutazione preliminare delle prestazioni è stato utilizzato un dataset bilanciato di 63 casi (21 per classe di rischio).

Il modello ANFIS ha mostrato elevate prestazioni diagnostiche, con un’accuratezza complessiva dell’88,9% e un coefficiente di Cohen (κ) pari a 0,834. La sensibilità è risultata pari a 0,90 per la classe “Green”, 0,86 per la classe “Yellow” e 0,91 per la classe “Red”, mentre la specificità ha raggiunto valori rispettivamente di 0,95, 0,90 e 0,98. In particolare, il sistema ha dimostrato elevata affidabilità nell’identificazione dei casi ad alto rischio di fallimento, evitando misclassificazioni tra scenari clinici sicuri e critici.

L’integrazione tra estrazione automatica dei parametri ecografici e inferenza neuro-fuzzy consente di trasformare informazioni biometriche complesse in un indicatore clinico intuitivo e interpretabile. Questo approccio contribuisce a standardizzare la valutazione del rischio, riducendo la soggettività decisionale e diminuendo le complicanze materno-fetali associate ai tentativi falliti di parto operativo.