由新生儿护士开发的监督机器学习疼痛分类模型的性能评估
Renee C B Manworren1, Susan Horner, Ralph Joseph
1Ann & Robert H. Lurie Children's Hospital of Chicago, Chicago, Illinois (Drs Manworren and Horner); Feinberg School of Medicine, Northwestern University, Chicago, Illinois, and College of Nursing and Health Innovation, University of Texas at Arlington, Arlington, Texas (Dr Manworren); and Kavi Global, Barrington, Illinois (Messrs Joseph and Dadar and Ms Kaduwela).
一个新的机器学习模型准确地分类婴儿疼痛,表现优于护士. 这项技术旨在创建一个持续的,客观的疼痛监测系统,用于新生儿和婴儿.
科学领域:
- 新生儿护理 新生儿护理
- 机器学习在医疗保健中的应用
- 疼痛评估技术 疼痛评估技术
背景情况:
- 早期的疼痛可能会对神经发育产生负面影响.
- 目前的疼痛评估方法不一致,并且依赖于护士.
- 面部表情工具缺乏基于大脑的疼痛证据.
研究的目的:
- 开发和验证用于疼痛分类的机器学习 (ML) 模型.
- 提高新生儿疼痛评估的客观性和一致性.
- 为了创建一个基于大脑的疼痛识别系统.
主要方法:
- 利用新生儿面部编码系统 (NFCS) 与49名新生儿的视频数据.
- 在嵌入式机器学习解决方案中采用以人为中心的设计.
- 训练和测试的ML模型使用70%的训练和30%的测试数据分割.
主要成果:
- 最好的ML模型实现了98.5%的回忆率和0.98的曲线下面面积 (AUC).
- ML模型的性能明显超过了NICU护士的AUC0.68.
- 在不同的疼痛评估任务中,护士间评分器的可靠性有所不同.
结论:
- 与人类评估相比,ML模型在识别新生儿疼痛方面表现出更高的准确性.
- 这些发现支持开发一种自动化的,连续的,基于大脑的疼痛监测系统 (PRAMS).
- 这项技术有可能提高新生儿疼痛管理和产后效果.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
09:16Multi-Modal Signals for Analyzing Pain Responses to Thermal and Electrical Stimuli
Published on: April 5, 2019