机器学习算法的评估,用于使用近红外光谱作为共同变量进行非侵入性内压力估计
Gagan Narula1, Jens Boss1, Marko Seric1
1Neurocritical Care Unit, Department of Neurosurgery and Institute of Intensive Care Medicine, Clinical Neuroscience Center, University Hospital Zurich, Zurich, Switzerland.
概括
这项研究探讨了使用机器学习进行内压力 (ICP) 的非侵入性估计. 虽然最好的模型实现了平均绝对误差为4.68mm Hg,但穿皮NIRS并没有显著提高准确性.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 医疗技术 医疗技术 医学技术
背景情况:
- 对严重脑损伤患者来说,对内压力 (ICP) 监测至关重要.
- 升高的ICP可以导致关键的神经并发症.
研究的目的:
- 开发用于估计ICP的非侵入性方法.
- 评估通过皮肤近红外光谱 (NIRS) 在ICP估计中的实用性.
主要方法:
- 机器学习模型被开发用于非侵入性ICP估计.
- 利用了通过皮肤NIRS,心血管参数和人工通风的信号.
- 采用基于富里埃转换的变压器ICP波形估计.
主要成果:
- 性能最好的模型的平均绝对误差为4.68 mm Hg (SD = 5.4).
- 通过皮肤进行的NIRS信号并没有显著提高该队列中ICP估计的准确性.
- 模型开发涉及22名患者,对3名患者进行了测试.
结论:
- 非侵入性ICP估计具有前景,但需要进一步改进.
- 预计更高质量和更大的数据集将提高准确性.
- 未来的研究应该专注于优化数据采集和模型算法.
更多相关视频
07:27How to Administer Near-Infrared Spectroscopy in Critically ill Neonates, Infants, and Children
Published on: August 19, 2020
11.5K
06:18Qualitative and Comparative Cortical Activity Data Analyses from a Functional Near-Infrared Spectroscopy Experiment Applying Block Design
Published on: December 3, 2020
3.8K