基于其临床和定量EEG特征的机器学习模型的构建,以识别患者的并发性焦虑
Zhe Ren1, Bin Wang2, Mengyan Yue3
1Department of Neurology, Henan Provincial People's Hospital, Zhengzhou, Henan Province 450003, China; Department of Neurology, Zhengzhou University People's Hospital, Zhengzhou, Henan Province 450003, China.
Epilepsy research
|February 29, 2024
概括
机器学习模型通过将临床数据与定量脑电图 (qEEG) 功能 (如阶段锁定值 (PLV) 和Lempel-Ziv复杂性 (LZC)) 整合,准确地识别了患者的焦虑障碍. 这种方法显示出对补充临床诊断的前景.
科学领域:
- 神经科学是一个神经科学.
- 计算精神病学是一种计算精神病学.
- 生物医学工程 生物医学工程
背景情况:
- 焦虑障碍 (AD) 在患者 (PWE) 中经常与并发.
- 在PWE中准确识别并发性AD对于有效治疗至关重要.
- 当前的诊断方法可能会从客观生物标志物中受益.
研究的目的:
- 开发和评估机器学习 (ML) 模型,以识别患者的焦虑障碍 (AD).
- 研究将临床特征与定量脑电图 (qEEG) 度量用于AD预测的实用性.
- 在PWE中识别潜在的qEEG生物标志物用于AD并发症.
主要方法:
- 从131个PWE收集了临床数据和静止状态EEG (71个有AD,60个没有AD).
- 从EEG数据中提取了684个阶段锁定值 (PLV) 和76个Lempel-Ziv复杂性 (LZC) 特性,跨越四个频段.
- 使用费舍尔评分来进行特征排名和 eXtreme Gradient Boosting (XGboost) 以五倍的交叉验证来构建和评估预测模型.
主要成果:
- 使用临床,PLV和LZC特征的组合模型实现了最高的性能:96.18%的准确度,94.29%的精度,98.33%的灵敏度,96.06%的F1得分和0.96的AUC.
- 最重要的预测特征包括抑郁症,教育程度和特定的qEEG参数 (例如,α_P3LZC,α_T6-PzPLV).
结论:
- 一个整合临床和qEEG (PLV,LZC) 特征的模型有效地识别了PWE中的AD并发症.
- 这种方法证明了作为临床诊断的辅助的潜力.
- 阿尔法频段的LZC特征和FP2-O1区域的PLV特征可以作为PWE中AD的有价值生物标志物.
