基于神经网络的疼痛强度估计中的不确定性量化
Burcu Ozek1, Zhenyuan Lu1, Srinivasan Radhakrishnan1
1Mechanical and Industrial Engineering Department, Northeastern University, Boston, Massachusetts, United States of America.
PloS one
|August 1, 2024
概括
这项研究引入了一种新的神经网络方法,通过提供间隔和量化不确定性来估计疼痛强度,从而改善临床决策. 修改后的下限和上限估计 (LossS) 算法,特别是在混合模型中,提供了最精确的疼痛评估.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 疼痛管理 疼痛管理
背景情况:
- 不适当的疼痛管理有严重的后果,包括降低生活质量和增加阿片类药物依赖的风险.
- 客观的疼痛强度评估对于有效的干预至关重要,但由于个体的变化而具有挑战性.
- 现有的机器学习方法用于疼痛估计,往往侧重于点估计,忽视数据和模型不确定性.
研究的目的:
- 开发一种基于神经网络的方法,用于客观的疼痛间隔估计和不确定性量化.
- 为临床医生提供更全面的了解患者疼痛强度,以便更好地做出决策.
- 为了比较不同算法和模型构建方法对疼痛间隔估计的有效性.
主要方法:
- 探索了三个算法:启动,通过遗传算法进行下限和上限估计 (LossL),并通过梯度下降修改下限和上限估计 (LossS).
- 使用通用,个性化和混合 (基于集群) 模型构建方法评估模型性能.
- 在各种覆盖概率 (50%,75%,85%,95%) 中评估了预测间隔宽度.
主要成果:
- 修改后的下限和上限估计 (LossS) 算法通过提供相对于bootstrap和LossL.L.相比显著更窄的预测间隔来证明卓越的性能.
- 在不同的覆盖概率中,LossS实现了高达26.9%的平均间隔宽度减少,与引导相比,和22.4%的LossL相比.
- 混合模型构建方法,利用个体集群,在疼痛间隔估计中产生了最佳性能.
结论:
- 建议的神经网络方法用于疼痛间隔估计有效量化不确定性,提供一个更有信息的替代点估计.
- 损失S算法,特别是在混合模型框架内,代表了客观和可靠的疼痛强度评估的重大进步.
- 这种方法有可能增强临床决策和改善患者在疼痛管理方面的结果.
