使用大规模的回顾性EEG数据库和机器学习方法,将缺血性中风患者与健康患者区分开来

科学领域:

• 神经科学是一个神经科学.
• 医疗技术 医疗技术 医学技术
• 人工智能的人工智能

背景情况:

• 从健康状态区分出缺血性中风对于及时干预至关重要.
• 脑电图 (EEG) 提供了一种非侵入性方法来评估大脑活动.

研究的目的:

• 开发一种机器学习模型,以区分缺血性中风患者与健康受试者.
• 使用短暂的静止电脑电图 (EEG) 记录来检测中风.

主要方法:

• 编制了2401个EEG记录 (374名中风患者,1385名健康受试者) 的追溯数据集.
• 来自3分钟EEG记录的光谱和时间域的特征被计算出来.
• 使用此数据集训练了一种机器学习模型,该模型包含了每个主体的多个记录.

主要成果:

• 该模型实现了曲线下的面积 (AUC) 为0.95.
• 灵敏度为93%,特异性为86%.
• 包括每个受试者的多次记录,提高了7%的灵敏度.

结论:

• 应用于EEG数据的机器学习显示了识别中风患者的巨大潜力.
• 开发的模型提供了一个及时 (3分钟记录) 和准确的诊断工具.
• 这种方法提供了一种精确有效的中风检测方法.