参数建模和深度学习用于增强在麻醉后的疼痛评估
IEEE transactions on bio-medical engineering
|August 1, 2023
概括
这项研究引入了一种使用分数顺序阻抗模型和深度学习来估计疼痛的新方法. 这种方法提供客观的,个性化的疼痛预测,以提高患者的安全性,避免药物过量服用.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 疼痛管理 疼痛管理
背景情况:
- 可靠和客观的疼痛测量在临床实践中仍然是一个重大挑战.
- 目前的疼痛评估方法,如数值评分表 (NRS),是主观的,容易变化.
- 手术后的疼痛管理需要精确的监测,以防止低或过量服用止痛药.
研究的目的:
- 开发和验证一种更可靠的术后疼痛估计方法.
- 通过整合分数顺序阻抗模型 (FOIM) 和深度学习 (卷积神经网络 - CNNs) 来提高疼痛评估的客观性.
- 探索AI在封闭循环止痛系统的个性化 nociception-antinociception预测中的潜力.
主要方法:
- 使用递归识别方法从皮肤阻抗测量中参数化分数顺序阻抗模型 (FOIM).
- 采用深度学习,特别是卷积神经网络 (CNN),用于使用时间频率数据和光谱图进行疼痛分类.
- 在一项概念验证临床试验中,与患者报告的疼痛水平 (NRS) 相比,验证的在线参数估计和CNN预测.
主要成果:
- 在FOIM参数的变化和在线重新训练的CNN预测与 nociception趋势和NRS得分相关.
- 开发的模型证明了预测疼痛强度和组织异质性的能力.
- 经过重新训练的CNN在线预测显示了比线下受训的人口模型更具体的趋势.
结论:
- 定制的在线识别和深度学习方法可以提供客观的疼痛估计,即使在被人工制品破坏的环境中.
- 人工智能驱动的模型提供了个性化的 nociception-antinociception预测,这对患者安全至关重要.
- 这些进展支持闭环止痛控制器的设计和评估,以改善疼痛管理.


