开发和验证新生儿疼痛评估的多模式数据集,以改善人工智能算法与临床数据
Nannan Yang1, Ying Zhuang, Huiping Jiang
1Author Affiliations: School of Nursing, Nanjing University of Chinese Medicine, Nanjing, Jiangsu Province, China (Ms Yang); Department of Obstetrics, Nanjing Drum Tower Hospital, Affiliated Hospital of Medical School, Nanjing University, Nanjing, Jiangsu Province, China (Mss Zhuang, Jiang, Fang, Li, Zhu and Zhao); and Department of Nursing, Nanjing Drum Tower Hospital, School of Clinical, College of Nanjing University of Chinese Medicine , Nanjing, Jiangsu Province, China (Ms Shi).
开发准确的新生儿疼痛数据集对于AI至关重要. 模式数据新生儿疼痛标签 (MD-NPL) 为现场评估提供了一个可靠的替代方案,验证AI算法以改善疼痛管理.
科学领域:
- 新生儿护理 新生儿护理
- 人工智能在医学中的应用
- 疼痛管理 疼痛管理
背景情况:
- 准确的数据标签对于有效的人工智能 (AI) 在新生儿疼痛评估中至关重要.
- 可靠的新生儿疼痛数据集对于管理新生儿疼痛至关重要.
研究的目的:
- 开发和验证一个全面的多式联运数据集,准确标记临床数据.
- 通过改进数据,增强人工智能算法用于新生儿疼痛评估.
主要方法:
- 使用新生儿疼痛,兴奋和镇静量表来评估健康的新生儿.
- 在痛苦的手术过程中,使用两台摄像头记录了疼痛反应.
- 评估人员在两个星期后在EasyDL平台上标记处理的疼痛数据 (模式数据新生儿疼痛标签 - MD-NPL).
主要成果:
- 在单模数据中发现了高的类内相关系数 (0.938-0.969).
- 获得了0.99的整体疼痛类内相关系数得分和0.899的疼痛等级协议的卡帕统计数据.
- 线性回归模型显示,当比较现场新生儿疼痛评估 (OS-NPA) 和MD-NPL.时,适合度大于0.96.
结论:
- 模式数据新生儿疼痛标签 (MD-NPL) 是对现场新生儿疼痛评估 (OS-NPA) 的有效替代方案.
- 新生儿急性疼痛多模式数据集中的数据标签已得到验证.
- 这些发现为设计用于新生儿疼痛评估的AI算法提供了可靠的验证.
更多相关视频
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015
09:18Electrophysiological Measurements and Analysis of Nociception in Human Infants
Published on: December 20, 2011