使用可穿戴PPG数据进行机器学习辅助的登革热严重程度的非侵入性分类:一项前性临床研究
Stefan Karolcik1, Vasileos Manginas1, Ho Quang Chanh2
1Centre for Bio-Inspired Technology, Imperial College London, South Kensington Campus, London, SW7 2AZ, United Kingdom.
EBioMedicine
|May 30, 2024
概括
一个使用光电脉冲图 (PPG) 的可穿戴设备有效地分层了登革热患者的严重程度. 这项技术提供了持续的,非侵入性的监测,以改善登革热流行地区的临床护理和结果.
科学领域:
- 生物医学工程 生物医学工程
- 传染病研究 传染病研究
- 数字健康数字健康
背景情况:
- 登革热疫情对医疗保健系统造成了重大负担.
- 持续的,非侵入性的患者监测可以提高护理和结果.
- 一种使用光斑血学 (PPG) 的可穿戴设备 (SmartCare) 被评估为登革热患者风险分层.
研究的目的:
- 评估可穿戴PPG设备在住院登革热患者临床风险分层方面的性能.
- 确定机器学习模型分析PPG波形的实用性,用于登革热严重程度的分类.
主要方法:
- 越南成人和儿童登革热患者的前性观察研究.
- 随着标准的临床护理,持续监测PPG.
- 使用5倍交叉验证对PPG波形进行严重性分类的机器学习分析.
主要成果:
- 卷积神经网络 (CNN) 模型在分类成年登革热严重程度方面实现了高精度和回忆.
- 在儿童患者的疾病和疾病后状态区分方面,CNN模型表现出强的表现.
- 分析了来自132名成人和15名儿科患者的1781小时的PPG数据.
结论:
- 一个低成本的可穿戴设备可以提供可操作的数据来区分登革热的严重程度.
- 由此类设备驱动的持续监测和早期预警系统可以显著有利于登革热患者的护理.
- 目前正在进行的工作旨在实施这些模型,以实现动态风险预测和个性化患者管理.
