一种深度学习方法,从常规测量在重症监护病房的脑外信号生成内压力波形
Shiker S Nair1, Alina Guo1, Joseph Boen1
1Department of Biomedical Engineering, Johns Hopkins University Whiting School of Engineering, Baltimore, MD, USA.
Computers in biology and medicine
|June 4, 2024
概括
研究人员开发了一种使用深度学习的非侵入性方法,从常规ICU信号 (如动脉血压,心电图和PPG) 中计算内压力 (ICP) 波形. 这为侵入性ICP监测提供了更安全,更容易获得的替代方案.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 人工智能的人工智能
背景情况:
- 内压力 (ICP) 监测对于管理严重的大脑疾病,如创伤性脑损伤和中风至关重要.
- 目前的ICP评估方法具有侵入性和资源密集性,带来风险和局限性.
研究的目的:
- 通过深度学习模型,研究非侵入性计算ICP波形的可行性.
- 为了利用常规获得的额外体生理波形 (动脉血压,光多动脉扫描,心电扫描) 进行ICP估计.
主要方法:
- 从10名ICU患者收集了超过600小时的高频率ICP,ABP,ECG和PPG数据.
- 将数据分成10秒的窗口,用于训练深度学习模型.
- 评估了六个深度学习模型,以检测它们重建并发ICP波形的能力.
主要成果:
- 最好的深度学习模型的平均平均误差 (MAE) 为1.34 ± 0.59 mmHg (单个患者) 和5.10 ± 0.11 mmHg (多个患者).
- 废弃性研究显示,心电图,PPG和ABP波形的性能贡献在统计上相似 (p=0.42).
结论:
- 深度学习能够从额外信号中准确,非侵入性地计算ICP波形.
- 这种方法显示出作为一种更安全,更容易获得的替代方法来进行侵入性的ICP监测,特别是在资源有限的环境中.


