通过机器学习技术预测耳植入物安装情况
Hajime Koyama1, Akinori Kashio, Tatsuya Yamasoba
1Department of Otorhinolaryngology and Head and Neck Surgery, Graduate School of Medicine, The University of Tokyo, Tokyo, Japan.
概括
机器学习准确地预测了儿童的耳植入物映射当前水平. 这项研究比较了电极类型,发现细模态电极具有较低的电气唤起化合物作用电位值.
科学领域:
- 听力学 听力学是指听力学.
- 神经外科 神经外科
- 生物医学工程 生物医学工程
背景情况:
- 耳植入是严重到严重的听力损失的重要治疗方法.
- 优化术后设备编程对于患者的治疗结果至关重要.
- 电极设计可能会影响神经反应和编程参数.
研究的目的:
- 在细模电极和直线电极阵列之间比较电气唤起的复合作用电位 (ECAP) 值和映射电流 (T) 水平.
- 调查ECAP值和T级别之间的相关性.
- 评估用于预测术后T水平的机器学习模型.
主要方法:
- 在第三级医院对124例儿科耳植入物病例进行了回顾性图表审查.
- 在不同类型的电极中,ECAP和T水平的比较.
- 开发和验证五种机器学习模型,以预测切换时和手术后6个月的T水平.
主要成果:
- 与直线电极相比,细模电极在顶端显示出明显较低的ECAP值.
- 在基底侧的电极类型之间,神经响应遥测值没有显著差异.
- 拉索回归和随机森林算法在预测不同术后时间点的T水平方面表现出高准确性.
结论:
- 机器学习模型显示了预测小儿耳植入患者手术后T水平的前景.
- 电极类型影响ECAP值,可能影响编程策略.
- 进一步的研究可以完善这些预测模型,以实现个性化耳植入物康复.
