从使用深度学习的非侵入性生物信号中早期检测晚发性新生儿败血症:一个多中心前性开发和验证研究

科学领域:

• 生物医学工程 生物医学工程
• 新生儿医学 新生儿医学
• 医疗保健中的机器学习

背景情况:

• 新生儿败血症导致全球显著的死亡率和发病率.
• 由于模糊的症状和需要快速抗生素治疗,早期诊断具有挑战性.
• 当前的诊断方法是资源密集型的,不连续的.

研究的目的:

• 预测新生儿晚发性败血症 (LOS) 的发生.
• 为了早期预测,利用来自NICU监视器的非侵入性生物信号测量.
• 为了实现及时干预的良好诊断价值.

主要方法:

• 开发了一种使用卷积神经网络 (CNN) 的多式机器学习算法.
• 生物信号的使用功率光谱密度 (PSD) 转换.
• 使用来自NICU监视器的原始生物信号,包括心电图和呼吸阻抗 (RESP).

主要成果:

• 在验证数据集上,在接收器运行特征得分以下的区域达到0.810.
• 在LOS检测中显示了83%的灵敏度和73%的特异性.
• 在临床怀疑发生前44小时实现了中位数早期检测,突出显示了R波形态和RESP信号变化的重要性.

结论:

• 原始生物信号和PSD转换被输入到CNN提供了最先进的LOS预测性能.
• 该模型有效地预测LOS,而不需要手动移除文物.
• 这项研究首次确定了ECG R波形态和RESP信号变化对LOS的独立和附加预测潜力.