基于机器学习的分析和趋势异常值的检测用于电肌图神经肌肉监测
Michaël Verdonck1, Hugo Carvalho2,3, Thomas Fuchs-Buder4
1Department of Business Informatics and Operations Management, University Ghent, Tweekerkenstraat 2, Ghent, 9000, Belgium. michael.verdonck@multipitch.be.
Journal of clinical monitoring and computing
|April 4, 2024
概括
这项研究开发了工程特征,用于在神经肌肉监测期间识别四分之三比率 (TOF-R) 的异常值,旨在提高设备可靠性和临床信任.
科学领域:
- 麻醉学和重症监护医学
- 生物医学工程 生物医学工程
- 临床信息学 临床信息学
背景情况:
- 神经肌肉监测对于麻醉至关重要,但通常会受到数据遗漏的影响.
- 临床医师的怀疑之心源于文物和缺乏对监测原则的理解.
- 这项研究解决了对可靠的神经肌肉监测数据的需求.
研究的目的:
- 导出和评估用于四列比率 (TOF-R) 异常值分析的特征集.
- 为了提高基于手术内肌电图 (EMG) 的神经肌肉监测的准确性和可靠性.
- 为了减少临床医生对神经肌肉监测设备的愤世嫉俗.
主要方法:
- 结合了两种基于EMG的神经肌肉监测设备 (Datex-Ohmeda和TetraGraph) 的数据.
- 包括136名患者 (21,891次观察) 和388名患者 (97,838次观察) 的合成数据集.
- 训练了四个不同的模型,分析了工程与基本功能的性能.
主要成果:
- 模型显示了适当的偏差/偏差平衡,表明没有过度装配或不足装配.
- 工程 TOF-R 趋势特征在模型性能方面比基本特征更有影响力.
- 最好的模型获得了0.41的F1得分和0.48的平均精度得分.
结论:
- 工程 TOF-R 趋势特征为异常发现提供了宝贵的见解.
- 成本灵敏物流回归 (CSLR) 模型显示出自动消除异常值的前景.
- 这项研究是提高神经肌肉监测自动化和可靠性的一步.
