验证一个卷积神经网络,可靠地识别电动图复合机动动力动作潜力后四列列车刺激的验证:一个算法开发实验研究研究

科学领域:

• 麻醉学和重症监护医学
• 生物医学工程 生物医学工程
• 医疗保健中的人工智能

背景情况:

• 定量神经肌肉监测对于安全地使用神经肌肉阻断剂至关重要.
• 鉴定有效的复合运动作用电位 (cMAP) 是具有挑战性的,因为信号幅度低,手术期间缺乏可观察到的运动反应.
• 卷积神经网络 (CNN) 为提高cMAP分类的准确性提供了一个潜在的解决方案.

研究的目的:

• 开发和验证一个CNN模型,用于准确分类有效的cMAP.
• 评估CNN在将有效的cMAP与外科手术中的文物区分开来方面的表现.
• 评估将这种CNN集成到定量电肌图学神经肌肉块监视器中的可行性.

主要方法:

• 使用了一种改进的高精度CNN,最初是为手写数字识别而设计的.
• 该CNN是使用29名患者的数字化电肌图波形进行训练的,并在19名患者的单独数据集上进行验证.
• 使用了手腕上的部神经刺激和从添加器肌肉的表面电肌图记录.

主要成果:

• 调整后的CNN在验证数据集上实现了高性能,准确度为0.9997和F1得分为0.9998.
• 该模型在四列列车序列中对个体反应进行分类时表现出色.
• 校准图表显示,预测概率与有效cMAP的实际流行率之间存在很强的一致性.

结论:

• 美国有线电视新闻网准确地区分了有效的cMAP和文物,准确度>99.5%.
• 开发的CNN在神经肌肉监测的背景下对cMAPs的分类具有很高的可靠性.
• 将这种CNN集成到定量电肌图学神经肌肉阻断监视器中是可行的,并可以增强临床实践.