对EEG发作预测的跨患者方法进行系统审查

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 使用人工智能 (AI) 和脑电图 (EEG) 数据预测发作可以提高患者的生活质量.
• 目前基于人工智能的预测模型通常使用容易泄露数据的方法进行评估,从而导致过于乐观的性能估计.
• 患者独立测试为这些预测系统提供了更强大的评估框架.

研究的目的:

• 系统地审查关于人工智能驱动的预测的科学文献,使用非侵入性EEG数据.
• 识别和分析使用严格,患者独立的验证方法的研究.
• 评估当前的情况和发展可靠,跨患者的预测系统的挑战.

主要方法:

• 在PubMed,Scopus和Web of Science数据库中系统地搜索文献.
• 专注于人工智能技术,应用于用于预测的非侵入性人类EEG数据.
• 分析使用患者独立测试方法的研究.

主要成果:

• 只有4%的发表作品 (21篇文章) 使用患者独立验证.
• 源域适应技术是跨患者预测研究中最常见的方法.
• 大多数预测研究依赖于不那么严格的验证方法.

结论:

• 预测发作仍然是一个重大挑战,需要进一步研究临床适用性.
• 由于评估的局限性,当前的AI模型往往缺乏用于现实世界的部署所需的稳定性.
• 开发可靠的,独立于患者的发作预测系统对于推进病护理至关重要.