可解释性人工智能用于可穿戴性发作记录:数据质量,患者年龄和抗药物对表现的影响

科学领域:

• 生物医学工程 生物医学工程
• 神经学 神经学
• 数字健康数字健康

背景情况:

• 目标性发作计数对于管理至关重要,特别是在门诊环境中.
• 可穿戴式传感器显示出检测强力克隆发作的潜力,但面临着错误报警和错过事件的挑战.
• 现有的检测方法未充分利用长时间的生理特征,如电皮活动和心率变化.

研究的目的:

• 评估使用可穿戴数据进行发作计数的延长后性生理特征的实用性.
• 确定影响基于可穿戴设备的发作记录性能的因素,区分数据质量和算法限制.
• 为了确定哪些患者可能从可穿戴监控技术中受益最多.

主要方法:

• 在视频EEG监测期间使用可穿戴设备 (Empatica E4) 的76名儿科患者的回顾性分析.
• 深度学习模型应用于多式联网数据 (EDA,ACC,HR) 在1小时段进行日志查获.
• 系统地检查影响表现的因素,包括患者年龄,抗发作药物 (ASM) 负载,发作特征和数据工件.
• 利用UMAP和SHAP进行算法可解释性和特征重要性分析.

主要成果:

• 随着患者年龄的增长,发作记录的性能有所改善,较老年人群的曲线下面面积 (AUC) 值更高 (AUC为>15岁的0.85).
• 总体AUC为0.75,灵敏度为0.52,误报率为0.28/24小时.
• 较高的ASM负载和较短的发作持续时间与较差的检测相关 (P=.025,P=.033).
• SHAP分析确定了运动活动和周围/后体HR/EDA增加作为关键信息特征;这些在错过的中缺少表明记录质量问题.

结论:

• 长时间的直后数据段对于使用可穿戴设备的发作记录是有价值的.
• 算法可解释性得到了增强,突出了后生理变化的重要性.
• 高剂量的ASM和短暂的发作时间是限制检测准确性的关键因素.
• 这些发现有助于识别最有可能从可穿戴监测中受益的患者.