一个机器学习算法用于检测连续图和脉冲氧计监测中的异常模式

科学领域:

• 生物医学工程 生物医学工程
• 医疗信息学 医疗信息学
• 呼吸系统生理学 呼吸系统生理学

背景情况:

• 连续的风摄影对于监测患者的通风至关重要,但容易引起警报疲劳的工件.
• 需要智能算法来准确检测异常通风,以便及时干预.
• 区分真正的通风异常与人工物对于有效的患者监测至关重要.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于分类联合图和脉冲氧计波形.
• 用多式生理学数据区分正常和异常的通风模式.
• 提高呼吸系统监测系统的准确性,减少错误警报.

主要方法:

• 利用了来自前性PRODIGY试验的数据,结合了头像学和脉冲氧计.
• 专家审查确定了异常通风段的基本真相 (事件发生前60s,事件发生后30s).
• 在提取的特征上训练了五个ML模型,优化Fβ得分 (β=2),XGBoost显示最高性能.

主要成果:

• 在专家中获得了高的互评分协议 (>87%),验证了7,858个序列 (2,944个异常).
• 优化的XGBoost模型实现了Fβ得分为0.94,回忆率为0.98和精度为0.83.
• 证明了算法在区分正常和异常呼吸道波形时的可靠性.

结论:

• 机器学习提供了一种有希望的方法来提高呼吸系统监测的准确性.
• 开发的算法有效地区分正常与异常的通风波形,可能减少警报疲劳.
• 需要进一步的研究来区分人工信号和真正的异常通风模式.