相关实验视频
Updated: Jun 4, 2025
05:25
Author Spotlight: Enhancing Coronary Artery Revascularization
Published on: September 15, 2023
636
基于机器学习的心脏输出估计,在非动脉冠状动脉绕道手术中使用光电显微镜
Cecilia A Callejas Pastor1,2, Chahyun Oh3, Boohwi Hong3
1Research Institute for Medical Sciences, Chungnam National University College of Medicine, Daejeon 35015, Republic of Korea.
Journal of clinical medicine
|December 17, 2024
概括
这项研究开发了一种非侵入性算法,使用手指光聚光学和机器学习来对患者的心脏指数 (CI) 进行分类. 该模型实现了高精度,为侵入性血液动力学监测提供了有希望的替代方案.
科学领域:
- 心血管生理学心血管生理学
- 生物医学工程 生物医学工程
- 机器学习在医学中的应用
背景情况:
- 血液动力学监测对于重症患者和重大手术至关重要.
- 心脏输出 (CO) 是血液动力状况的关键指标.
- 侵入性CO测量方法需要非侵入性的替代方法.
研究的目的:
- 开发一种非侵入性算法来对心脏指数 (CI) 进行分类.
- 使用手指光斑血学 (PPG) 和机器学习来进行CI分类.
- 将CI分为低和非低的两组.
主要方法:
- 收集了PPG和热稀释CO数据,这些数据来自接受了非动脉冠状动脉旁路移植手术的患者.
- 采用Relief算法进行特征选择.
- 训练并评估了一个CatBoost机器学习模型.
主要成果:
- 在验证阶段达到89.42%的准确性,在测试阶段达到87.57%.
- 在低CI和非低CI类别中表现平衡.
- 展示了对血液动力学状况的强大的分类能力.
结论:
- 机器学习与非侵入性PPG相结合,显示出准确的CO分类的潜力.
- 拟议的方法可能会提高重症监护中的患者安全和舒适度.
- 在不同的群体和场景中需要进一步验证.
