使用视频数据的深度学习来检测严重疾病婴儿的神经变化:一个回顾性单中心队列研究

科学领域:

• 医学技术 医学技术 医学技术
• 医疗保健中的人工智能
• 新生儿神经学 新生儿神经学

背景情况:

• 婴儿的神经状况至关重要,但通过主观体检来评估.
• 需要持续,客观的监测,以早期检测新生儿的危急状况.
• "Pose"的人工智能 (AI) 为婴儿持续监控提供了一个潜在的解决方案.

研究的目的:

• 评估基于计算机视觉的姿势AI方法的有效性,用于预测NICU婴儿的神经变化.
• 评估姿势AI检测大脑功能障碍和镇静水平的能力.
• 为婴儿重症监护室设置建立一个可扩展,最少侵入性的神经遥测方法.

主要方法:

• 收集视频脑电图 (视频EEG) 数据从婴儿 (<1年校正年龄) 在四级城市NICU.
• 训练了一种深度学习姿势识别算法,对视频源中的14个解剖标志进行了训练.
• 开发了使用姿势数据的分类器来预测大脑功能障碍 (来自EEG) 和药物诱导的镇静.

主要成果:

• 创建了迄今为止最大的视频EEG数据集 (282,301分钟,115名婴儿).
• 在预测婴儿姿势 (ROC-AUCs 0.83-0.94) 方面,Pose AI取得了很高的准确性.
• 仅从视频数据中成功预测了大脑功能障碍 (ROC-AUCs 0.76-0.91) 和镇静 (ROC-AUCs 0.87-0.91).

结论:

• Pose AI适用于ICU,可以从视频中预测EEG诊断的大脑功能障碍.
• 这种深度学习方法提供了一个可扩展的,最少侵入的方法,用于神经远程测量在NICU.
• Pose AI 增强了对婴儿神经状态的持续监测,有助于临床决策.