基于mjn-SERAS算法的人工智能系统,用于早期检测耐火性焦点患者的发作:一个横截面试点研究

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 大约三分之一的患者经历了耐药性发作,这凸显了改善检测和管理的必要性.
• 早期发作检测可以提高患者的安全性,减少焦虑,促进独立性,并使及时的急性治疗成为可能.
• 人工智能 (AI) 和机器学习越来越多地用于疾病管理,包括.

研究的目的:

• 评估mjn-SERAS AI算法的有效性,用于在患者中早期发现发作.
• 确定基于EEG训练的个性化数学模型的灵敏度和特异性,用于预测即将发生的发作.
• 评估AI在创建患者特定模型的潜力,以便在发作之前对发作进行编程识别.

主要方法:

• 一项回顾性,横截面,观察性,多中心研究,涉及50名耐火焦点患者.
• 分析了来自西班牙三个医疗中心的视频电脑电图 (EEG) 监测记录 (共1963小时).
• 将mjn-SERAS AI算法的性能与高级病学家的评估作为黄金标准进行比较.

主要成果:

• mjn-SERAS AI算法在188次发作的分割测试中获得了94.7%的灵敏度和92.2%的F-Score (特异性).
• 该算法在患者独立模型中显示出每24小时0.55的错误阳性率.
• 在119次发作中接受训练后,AI识别了发作前和发作间的模式,报告了10次错误阴性和22次错误阳性.

结论:

• 针对患者的AI算法mjn-SERAS显示了在中早期发作检测的巨大潜力.
• 该算法的高灵敏度和低假阳性率表明了管理的改善结果.
• 尽管培训的初始计算要求很高,但该算法的低实时计算负载使其能够在嵌入式设备上实现在线发作检测.