优化对危急病的儿童进行EEG监测,这些儿童有电脑电图发作风险
Kyle Coleman1, France W Fung2, Alexis Topjian3
1Department of Biostatistics, Epidemiology and Informatics, University of Pennsylvania Perelman School of Medicine, United States.
Seizure
|March 24, 2024
概括
一个新的多阶段预测模型有效地指导持续的EEG监测 (CEEG) 以检测重症儿童的脑电图发作 (ES),减少CEEG的使用并优化资源分配.
科学领域:
- 儿科神经学 儿科神经学
- 关键护理医学 关键护理医学
- 生物医学工程 生物医学工程
背景情况:
- 持续的EEG监测 (CEEG) 对于识别重症儿童的脑电图 (ES) 发作至关重要.
- 资源的局限性要求对CEEG部署和ES检测进行优化策略.
- 临床和脑电图 (EEG) 协变量对于预测ES风险至关重要.
研究的目的:
- 开发一种高效的多阶段预测模型,用于指导CEEG在重症儿童中的使用.
- 通过使用临床和脑电图数据,更有效地识别脑电图 (ES) 发作.
- 为了优化有限的CEEG资源的分配.
主要方法:
- 对1399名接受CEEG.儿童的未来单中心队列的分析.
- 开发和训练一个使用后勤回归,弹性网,随机森林和CatBoost的四阶段预测模型.
- 使用交叉验证对候选模型的评估,以构建最佳的多阶段模型.
主要成果:
- 最优的多阶段模型实现了0.197的累积特异性和0.326.3的累积F1得分.
- 保持高的最低累积敏感度为0.938,其中11%的ES受试者被错误地归类为低风险.
- 与固定的24小时或48小时监测周期相比,有可能将CEEG利用率降低32%和47%.
- 一个网页应用程序,EEGLE (EEG长度估计器),已被开发用于模型实施.
结论:
- 多阶段预测模型可以减少ES风险较低的患者的CEEG利用率.
- 促进CEEG对被确定为ES风险较高的患者的资源重新分配.
- 允许在儿科重症监护中更有效地和有针对性地使用连续EEG监测.
