基于EEG的机器学习模型用于预测孤立的快速眼动睡眠行为障碍中的表态转换时间和亚型
El Jeong1, Yong Woo Shin2, Jung-Ick Byun3
1Interdisciplinary Program in Bioengineering, College of Engineering, Seoul National University, Seoul, South Korea.
Sleep
|February 8, 2024
概括
使用基线脑电图 (EEG) 的机器学习模型可以预测孤立的快速眼动睡眠行为障碍 (iRBD) 患者的神经退行性疾病的转化时间和类型. 这有助于早期诊断和针对帕金森病和相关疾病的个性化治疗策略.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 睡眠医学 睡眠医学
背景情况:
- 孤立的快速眼动睡眠行为障碍 (iRBD) 是α-synucleinopathies的前兆阶段,包括帕金森病 (PD),勒维体痴呆症 (DLB) 和多个系统缩 (MSA).
- 基线休息状态脑电图 (EEG) 已经显示出与iRBD患者的变现相关联.
研究的目的:
- 开发和验证机器学习模型,用于预测iRBD患者的表转换时间和亚型.
- 利用基线EEG特征用于早期预测神经退行性疾病的发展.
主要方法:
- 收集了236名iRBD患者的静止状态EEG和神经评估数据.
- 提取了EEG特征,包括光谱功率,加权相滞后指数和香农.
- 采用生存预测和亚型分类模型,通过来自其他机构的数据对其进行外部验证.
主要成果:
- 随机生存森林模型实现了0.114的布赖尔得分和0.775的一致性指数,用于生存预测.
- K-最近邻近模型证明了ROC曲线0.901下的面积用于亚型预测.
- 脑电图减速成为时间和亚型预测的重要预测特征.
结论:
- 整合基线EEG特征的机器学习模型有效地预测iRBD中的现象转换时间和亚型.
- 建议对更大,多机构,国际数据集进行进一步验证,以提高模型的稳定性.
