基于机器学习的预测中风后的认知状态,使用脑电图衍生的脑网络属性.
Minwoo Lee1, Yuseong Hong2, Sungsik An3
1Department of Neurology, Hallym University Sacred Heart Hospital, Hallym Neurological Institute, Hallym University College of Medicine, Anyang, Republic of Korea.
Frontiers in aging neuroscience
|October 16, 2023
概括
脑电图 (EEG) 的大脑网络特性可以预测急性缺血性中风 (AIS) 后的认知障碍. 使用急性EEG数据的机器学习模型准确地预测了中风后三个月的认知结果.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 脑卒中后认知障碍 (PSCI) 影响超过50%的急性缺血性脑卒中 (AIS) 患者,阻碍神经恢复.
- 预测AIS后的认知轨迹对于有效的患者管理和康复策略至关重要.
研究的目的:
- 调查电脑脑电图 (EEG) 衍生的大脑网络特性是否可以预测中风后的认知功能.
- 利用机器学习方法来预测AIS患者的认知结果.
主要方法:
- 87名AIS患者接受了急性EEG和3个月的认知评估 (MoCA).
- 脑电图数据进行了预处理,并使用iSyncBrain®量化了网络特征.
- 开发了机器学习模型,以基于病变横向化和EEG网络属性来预测认知状态.
主要成果:
- EEG属性准确地预测了病变的横向性 (97.0%).
- 在左半球损伤组中,太带网络属性与MoCA得分相关 (R-平方=0.76).
- 更高的全球效率和聚类系数,以及较低的特征路径长度与更好的认知功能有关.
结论:
- 通过机器学习分析的基于急性阶段EEG的大脑网络特性,显示了预测缺血性中风后认知结果的潜力.
- 这种方法为早期识别患有PSCI风险的患者提供了一个有希望的工具.
