在罗宾序列的婴儿中预测新生儿呼吸暂停和呼吸暂停,使用时间序列的神经添加模型
Julius Vetter1,2, Kathleen Lim3,4, Tjeerd M H Dijkstra5,6
1Machine Learning in Science, University of Tübingen and Tübingen AI Center, Tübingen, Germany.
PLOS digital health
|December 13, 2024
概括
这项研究引入了一个可解释的AI模型来预测新生儿呼吸暂停和呼吸暂停,帮助风险婴儿的早期干预. 该模型达到0.80 AuROC,识别呼吸不规则和SpO2下降作为关键预测指标.
科学领域:
- 新生儿医学 新生儿医学
- 医疗保健中的人工智能
- 呼吸系统生理学 呼吸系统生理学
背景情况:
- 新生儿呼吸暂停和呼吸暂停对婴儿发育构成重大风险.
- 目前的干预依赖于手动刺激,导致警报疲劳.
- 罗宾序列的婴儿面临上呼吸道阻塞和相关呼吸事件的高风险.
研究的目的:
- 开发和验证可解释的AI模型,用于预测新生儿呼吸暂停和呼吸暂停.
- 通过预测这些不良事件来实现自动干预.
- 为未来的研究提供公开可用的数据集.
主要方法:
- 提出了一个神经添加模型,用于预测个体呼吸暂停和呼吸暂停的发生.
- 将模型应用于使用罗宾序列的婴儿生理数据集.
- 使用接收器操作特征曲线 (AuROC) 下面的面积来评估模型性能.
主要成果:
- 在发病前15秒预测呼吸暂停和呼吸暂停时,达到0.80的平均AuROC.
- 该模型的可解释性揭示了呼吸不规则和SpO2下降作为重要的预测因素.
- 识别出特定的信号模式,表明即将发生的呼吸事件.
结论:
- 开发的神经添加模型为新生儿呼吸事件的自动预测提供了一个有希望的方法.
- 该模型的可解释性为预测因素提供了有价值的临床见解.
- 这项工作有助于为有风险的婴儿开发自动干预措施.
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
10.9K
06:32Preparation of Rhythmically-active In Vitro Neonatal Rodent Brainstem-spinal Cord and Thin Slice
Published on: March 23, 2019
11.6K
