Rechercher
image du produit
American Journal of Obstetrics and Gynecology

S'abonner

245 Accuracy of deep learning models in interpreting intrapartum fetal monitoring to predict fetal acidemia - 19/01/24

Doi : 10.1016/j.ajog.2023.11.267 
Jennifer A. McCoy 1, Guangya Wan 2, Lisa D. Levine 3, Joseph Teel 3, John Holmes 3, William LaCava 2
1 University of Pennsylvania Perelman School of Medicine, Philadelphia, PA 
2 Harvard University, Boston, MA 
3 University of Pennsylvania, Philadelphia, PA 

Le texte complet de cet article est disponible en PDF.
Le texte complet de cet article est disponible en PDF.

Plan


© 2024  Publié par Elsevier Masson SAS.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

    •

  • Contenu

    •

Vol 230 - N° 1S

P. S144-S145 - janvier 2024 Retour au numéro
Article précédent Article précédent
  • 244 An anemia protocol and obstetric clinic-based iron infusion center decreases disparities in IV iron access
  • Logan Mauney, Jonathan Y. siden, Kaitlyn E. James, Mark A. Clapp, Sarah N. Bernstein
| Article suivant Article suivant
  • 246 The fragility index of randomized controlled trials in obstetrics
  • Jordan A. McKinney, Kelcey Day, Lifeng Lin, Luis Sanchez Ramos

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Elsevier s'engage à rendre ses eBooks accessibles et à se conformer aux lois applicables. Compte tenu de notre vaste bibliothèque de titres, il existe des cas où rendre un livre électronique entièrement accessible présente des défis uniques et l'inclusion de fonctionnalités complètes pourrait transformer sa nature au point de ne plus servir son objectif principal ou d'entraîner un fardeau disproportionné pour l'éditeur. Par conséquent, l'accessibilité de cet eBook peut être limitée. Voir plus

Accès rapides

Mon compte

Aide & support

Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.

Tout le contenu de ce site: Copyright © 2026 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.