基于常规脑电图的机器学习来预测一年内发作复发的情况

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 预测发作复发对于患者管理至关重要.
• 常规电脑电图 (EEG) 是标准的,但由于依赖于视觉识别间接性发性放电 (IED),其灵敏度有限.
• 自动化EEG处理有可能提高诊断产量和可访问性.

研究的目的:

• 开发和验证一种使用自动EEG处理的机器学习模型,以预测一年内发作的复发.
• 评估模型的性能,包括IED和临床因素的影响.
• 为了确定是否有预测信号存在于IED之外的EEG数据中.

主要方法:

• 517名患者 (训练组) 和261名患者 (测试组) 的回顾性选择,接受例行EEG.
• 开发一个自动化管道来提取线性和非线性EEG特征.
• 在EEG段上训练机器学习算法,以预测一年内发作的复发,并对测试集进行验证.

主要成果:

• 该模型在测试组中实现了0.63 (95% CI 0.55-0.71) 的受体运行特征曲线下面面积,用于测试组中发作的复发.
• 预测性能仍然远远高于机会,即使在缺乏IED的EEG中.
• 这表明非IED EEG变化有助于预测发作倾向.

结论:

• 自动化EEG分析为预测发作复发提供了有价值的工具.
• 该模型证明了独立于可见的IED的预测能力,表明了发作风险的新生物标志物.
• 这种自动化方法可以提高EEG在治疗中的临床实用性和可访问性.