La cardiotocographie (CTG) est définie comme l’enregistrement simultané du rythme cardiaque fœtal sur une dérivation et des contractions utérines par tocométrie. Elle est utilisée à travers le monde pour évaluer le bien-être fœtal en antepartum ou per partum et repérer précocement les situations à risque d’hypoxie. Toutefois, son interprétation repose essentiellement sur une interprétation visuelle réalisée par les praticiens à partir de recommandations standardisées. Cette interprétation subjective est marquée par une variabilité inter-observateur importante, ce qui contribue à maintenir le débat sur l’efficacité réelle de la surveillance cardiotocographique en perpartum.Dès les années 1980, chercheurs et cliniciens ont entrepris de développer des systèmes informatisés destinés à assister les professionnels dans l’analyse des tracés CTG. Cependant, ces outils d’assistance n’ont pas encore démontré leur capacité à améliorer la performance diagnostique ou à réduire la morbidité néonatale.Au cours de la dernière décennie, l’accès à de larges bases de données cliniques et l’essor de l’intelligence artificielle (IA) ont permis le développement de modèles capables d’analyser automatiquement les signaux CTG et de prédire le risque d’hypoxie fœtale. Ces systèmes montrent des performances prometteuses dans l’identification des situations pathologiques lorsqu’ils sont testés sur des cohortes rétrospectives.Néanmoins, plusieurs défis importants doivent encore être surmontés avant d’envisager une intégration en pratique clinique. Il est indispensable de constituer et de partager des bases de données multicentriques, ouvertes, permettant d’entraîner des modèles robustes, représentatifs et généralisables. Ces systèmes doivent aussi s’inscrire dans un protocole de soins structuré, afin que leur utilisation soit cohérente et opérationnelle en pratique.

Cardiotocography (CTG) is defined as the simultaneous recording of fetal heart rate and uterine contractions. It is used worldwide during labour to assess foetal well-being and to detect early signs of hypoxia. However, its interpretation relies mainly on visual assessment by clinicians based on standardized guidelines. This subjective evaluation is associated with substantial inter-observer variability, which continues to fuel debate regarding the actual effectiveness of cardiotocographic monitoring during the peripartum period.From the 1980s onward, researchers and clinicians began developing computerized systems to assist professionals in CTG interpretation. However, these decision-support tools have not yet convincingly demonstrated their ability to improve diagnostic performance or, more importantly, perinatal outcomes.Over the past decade, the availability of large clinical databases and the rise of artificial intelligence (AI) have enabled the development of models capable of analysing CTG signals and predicting the risk of foetal hypoxia. These systems have shown promising performance in identifying pathological situations when evaluated on retrospective cohorts.Nevertheless, several important challenges must be addressed before considering their integration into clinical practice. It is essential to develop and share large, multicentric, open databases that allow the training of robust, representative, and generalizable models. Furthermore, these systems must be embedded within a structured care protocol to ensure consistent and operational use in clinical settings.