使用机器学习在动脉内关节切除术期间通过脑电图检测大脑缺血
Amir I Mina1, Jessi U Espino1, Allison M Bradley1
1Department of Biomedical Informatics, University of Pittsburgh, Pittsburgh, PA.
概括
机器学习 (ML) 模型在手术期间检测手术内缺血方面表现有前途,为人类监测提供了更准确的替代方案. 电脑电图 (EEG) 分析的这一进步可以提高患者的安全性并降低医疗保健成本.
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:
- 使用脑电图 (EEG) 在手术期间检测脑缺血对于预防中风至关重要.
- 目前基于神经生理学家的监测容易出现错误,需要改进诊断方法.
研究的目的:
- 评估机器学习 (ML) 模型在准确高效的手术内缺血检测方面的有效性.
- 为了比较ML模型与人类神经生理学家在识别脑缺血方面的表现.
主要方法:
- 监督的ML模型被训练在802名手术内缺血患者的数据集上.
- 模型在30名患者的单独数据集上得到了验证,标签由五位神经生理学家改进.
- 性能指标包括灵敏度,特异性,科恩的卡帕,AUROC和AUPRC.
主要成果:
- 神经生理学家的同意表明中度至实质性的同意 (kappa:0.590.74).
- ML模型的灵敏度 (6389%) 和特异性 (8596%) 与神经生理学家 (5893%和8396%) 相同.
- 随机森林,LightGBM和XGBoost表现出高性能,其AUROC值为0.920.93和AUPRC值为0.790.83.
结论:
- ML模型为手术期间缺血监测提供了一种可靠且可能更准确的方法.
- 实施ML可以通过改善中风前体检来提高手术期间的患者安全.
- 这项技术有可能降低与监测和中风并发症相关的医疗保健成本.
