使用心率可变性和患者自适应逻辑回归机器学习方法检测带有心跳动脉的发作:基于医院的验证研究
Jesper Jeppesen1,2, Katia Lin3,4,5, Hiago Murilo Melo6
1Department of Clinical Neurophysiology, Aarhus University Hospital, Aarhus, Denmark.
Epileptic disorders : international epilepsy journal with videotape
|February 9, 2024
概括
这项研究验证了一种机器学习算法,用于使用心率可变性的自动发作检测. 该算法在巴西患者队列中显示出良好的概括性和准确性,有助于在治疗中客观量化发作.
科学领域:
- 的研究研究.
- 生物医学工程 生物医学工程
- 机器学习在医学中的应用
背景情况:
- 自动发作检测对于客观量化和治疗的优化至关重要.
- 之前的研究表明,基于心率变化 (HRV) 的发作检测使用逻辑回归机器学习 (LRML) 是有前途的.
- 对不同患者队伍的LRML发作检测的通用性需要验证.
研究的目的:
- 评估一种新型患者适应性LRML发作检测算法的通用性.
- 用长期视频EEG监测 (LTM) 数据在巴西患者队列中验证LRML算法.
- 评估算法在检测焦点和通用性强力-克隆性 (GTC) 发作方面的性能.
主要方法:
- 追溯分析了34名接受LTM的患者的ictal和inter-ictalECG数据.
- 在发作期间心率变化>50次/分钟的患者的选择 (响应者).
- 将患者自适应的LRML算法应用于ECG数据,单独分析响应者和非响应者的结果.
主要成果:
- 在响应组 (22名患者,59次发作) 中,LRML算法实现了84.8%的灵敏度,低误报警率 (0.25/24h).
- 对GTC发作的检测率很高 (96.2%,检测到25/26).
- 没有双边的焦点发作的检测率为75.8% (25/33检测到).
结论:
- 这项研究证实了LRML发作检测算法在独立的巴西队列中的良好性能和通用性.
- 该方法有效检测一般性和焦点性发作.
- 该算法的集成到可穿戴设备的潜力提供了客观的发作监测和改善管理.
