时间序列识别指标用于评估基于脑电图的手术内缺血检测

科学领域:

• 神经科学是一个神经科学.
• 医疗技术 医疗技术 医学技术
• 机器学习 机器学习

背景情况:

• 在高风险手术期间,持续的手术内脑电图 (EEG) 监测对于检测大脑缺血至关重要.
• 机器学习 (ML) 模型提供了来自EEG数据的自动化实时缺血检测的潜力.

研究的目的:

• 引入和比较新的时间序列意识到精度和回忆指标与评估ML模型检测手术内脑缺血的经典指标.
• 为了确定哪种评估指标方法更好地识别了能够及时预测缺血的ML模型.

主要方法:

• 训练了6个ML模型,使用手术内EEG数据检测缺血.
• 使用精度回忆曲线下的面积 (AUPRC) 评估模型性能,同时使用时间序列意识和经典的精度/回忆计算.
• 基于两种不同的AUPRC计算方法进行模型性能比较.

主要成果:

• 支持矢量分类 (SVC) 模型在使用时间序列意识的指标方面表现出色.
• 轻度梯度增强机 (LGBM) 模型在经典指标上表现最好.
• 视觉分析表明,时间序列意识的AUPRC选择了一种具有更大的能力及时预测缺血发作的模型.

结论:

• 时间序列意识的指标为手术内EEG监测的ML模型提供了更具临床相关性的评估.
• 评估指标的选择显著影响了ML模型的选择,以实时检测缺血症.
• 开发和利用时间序列意识的指标对于推进自动化手术内神经监测系统至关重要.