使用基于机器学习的超光谱成像对重症患者进行微循环监测的概念验证:单心观察性研究
Judith Kohnke1,2, Kevin Pattberg3, Felix Nensa1,2
1Institute of Diagnostic and Interventional Radiology and Neuroradiology, University Hospital Essen, Essen, Germany.
Critical care (London, England)
|July 10, 2024
概括
使用机器学习的高光谱成像 (HSI) 通过分析皮肤微循环,准确地区分了败血症患者和健康人群. 这种自动化方法提供了一种可靠的方法,可以快速识别重病患者.
科学领域:
- 关键护理医学 关键护理医学
- 生物医学工程 生物医学工程
- 医疗成像医学成像
背景情况:
- 损坏的微循环是败血症发展的核心,减少组织氧化.
- 超光谱成像 (HSI) 是一种非侵入性的床边工具,用于评估组织特征.
- 应用于HSI的机器学习 (ML) 可以自动化重症监护中的微循环评估.
研究的目的:
- 要确定ML是否可以自动识别使用HSI.手中的感兴趣区域 (ROI).
- 根据HSI数据,区分健康人与败血症患者.
- 开发一种自动化方法来评估床边的微循环.
主要方法:
- 收集了来自75名败血症患者和30名健康对照者的HSI数据.
- 使用自动化的ML管道 (MediaPipe) 进行ROI检测和特征提取.
- 使用统计测试和随机森林模型分析波长重要性的HSI特征.
主要成果:
- 一个自动化管道成功地提取了HSI特征并产生了ROI.
- 在HSI数据分析中,精确地将败血症患者与健康对照患者区分开来 (AUC为0.92).
- 在指尖 (575-695 nm,840-1000 nm) 和手掌 (925-1000 nm) 中发现了显著的波长差异.
结论:
- 使用ML的自动HSI分析可以可靠地将败血症患者与健康个体区分开来.
- 这种方法提供了对皮肤微循环的客观评估.
- 有助于在病床旁快速识别重病患者.
