一个受监督,外部验证的机器学习模型,用于在高分辨率的内压力监测数据中检测文物和排水
Shufan Huo1,2,3, Alexander Nelde4, Christian Meisel3,4,5
11Department of Neurology with Experimental Neurology, Charité - Universitätsmedizin Berlin, Germany.
Journal of neurosurgery
|March 15, 2024
概括
这项研究开发了一种机器学习算法,以准确地分类脑内压力 (ICP) 监测数据中的正常信号,文物和排水. 这种工具提高了用于神经临床护理应用的ICP数据的可靠性.
科学领域:
- 神经临界护理是指神经临界护理.
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 持续的生物传感器数据在神经临床护理中被医生不足利用.
- 机器学习 (ML) 可以分析大型数据集,但受到患者运动和外部心室排水 (EVD) 等因素的阻碍.
- 准确解释内压力 (ICP) 数据对于患者管理至关重要.
研究的目的:
- 开发基于ML的算法,用于自动分类来自EVD的高分辨率ICP监控数据中的正常信号,工件和排水.
- 提高ICP数据适用于实时文物删除的适用性.
- 为了使未来的ML应用程序能够使用可靠的ICP数据.
主要方法:
- 一个双中心的回顾性队列研究,使用40名患者的标记ICP数据进行模型开发.
- 特性工程创建了94个描述性特征,随后使用梯度增强和极端随机树进行模型训练.
- 通过嵌套的5倍交叉验证和接收器操作特征曲线 (AUROC) 下的多类区域进行性能评估,并对20名患者进行外部验证.
主要成果:
- 在开发数据集的交叉验证中,表现最好的模型获得了平均AUROC 0.945.
- 在独立数据集上的外部验证表明,平均AUROC为0.928.
- 该算法成功地以高准确度分类了正常信号,文物和排水.
结论:
- 为检测ICP监测数据中的正常信号,工件和排水,开发了一种性能良好的监督ML模型,并进行了外部验证.
- 这个模型作为一个强大的工具,用于文物排斥和识别在神经临床护理的排水事件.
- 这些发现支持将ML集成到ICP数据的增强实时分析中.
