深度学习方法的衍生,外部和临床验证,用于检测内高血压
Faris Gulamali1,2, Pushkala Jayaraman1,2, Ashwin S Sawant1,2
1The Charles Bronfman Institute of Personalized Medicine, Icahn School of Medicine at Mount Sinai, New York, NY, USA.
NPJ digital medicine
|September 5, 2024
概括
人工智能现在可以使用非侵入性数据检测高内压 (ICP). 这种新的生物标志物,aICP,减少了对侵入性监测的需求,并且在预测神经疾病方面显示出有前途.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 神经临界护理是指神经临界护理.
背景情况:
- 升高的内压力 (ICP) 是神经性损害的关键指标,往往需要侵入性监测.
- 目前用于ICP监测的方法需要外科手术,这带来了风险和局限性.
研究的目的:
- 开发和验证人工智能衍生的生物标志物用于高内压 (aICP) 使用非侵入性,常规收集的外波形数据.
- 减少成年患者对侵入性内监测的依赖.
主要方法:
- 利用MIMIC-III波形数据库进行aICP生物标记物的初步开发.
- 使用来自西奈山医院的独立数据集对aICP生物标志物进行外部验证.
- 进行探索性分析,将aICP预测与临床表型联系起来.
主要成果:
- 在外部验证中,aICP生物标志物表现强,AUROC为0.80.
- 在识别高ICP时,获得了73.8%的准确度,73.5%的灵敏度和73.0%的特异性.
- 探索性分析揭示了aICP与大脑恶性瘤,脑内出血和骨切割之间的关联.
结论:
- 开发的aICP生物标志物提供了一种有前途的非侵入性方法来检测高内压.
- aICP有潜力通过减少侵入性监测的需要来改善患者管理.
- 进一步的研究可以探索aICP在各种神经疾病中的临床实用性.


