通过使用工作流笔记进行可靠的发作发作检测

科学领域:

• 医疗保健中的人工智能
• 医疗信号处理 医疗信号处理
• 机器学习用于临床应用.

背景情况:

• 可信度是部署医疗保健人工智能的关键障碍,跨子组的模型稳定性是关键问题.
• 目前用于发作检测的AI模型通常依赖于非因果特征,导致隐藏子组的性能下降.
• 包含各种事件描述的常规临床工作流记录,为人工智能模型培训提供了有价值的,未充分利用的数据源.

研究的目的:

• 提高AI模型的可靠性和稳定性,以使用临床工作流程笔记检测发作.
• 通过扩展培训数据和采用多标签分类方法来评估性能增长.
• 解决子组绩效差异,减少脑电图 (EEG) 分析中的错误阳性率.

主要方法:

• 使用了68,920小时的EEG数据,并附有常规临床工作流程注释,包括和非事件描述.
• 开发并将二进制发作发作检测模型与分类26个额外属性 (例如,文物) 的多标签模型进行比较.
• 在各种子组和条件中使用接收器操作特征 (AUROC) 曲线下的面积和假阳性率 (FPR) 评估模型性能.

主要成果:

• 将训练数据与工作流程笔记进行缩放,与较小的黄金标准数据集相比,提高了12.3个AUROC点的发作发作检测.
• 最初的二进制模型显示了各子组的表现差距 (高达6.5个AUROC点) 和非形异常的更高的FPR (+19个FPR点).
• 多标签模型提高了整体表现 (+5.9 AUROC点),改善了子组表现 (高达 +8.3 AUROC点),并减少了非形异常的错误阳性 (8 FPR点).

结论:

• 临床工作流程笔记是培养强大和可信赖的医疗保健人工智能的强大资源,显著改善了发作发作的检测.
• 多标签方法有效地解决了模型偏差,并提高了跨不同患者子组和EEG信号特征的性能.
• 开发的多标签模型证明了临床效益的两倍改善,减少了每24小时EEG错误阳性.