使用EEG抑制比率 (P11-1.012) 开发一种用于支持脑死亡的机器学习模型

科学领域:

• 神经学 神经学
• 医疗技术 医疗技术 医学技术
• 人工智能的人工智能

背景情况:

• 脑电图 (EEG) 是用于诊断脑死亡的辅助测试.
• 诊断脑死亡可能具有挑战性,可能会推迟器官移植.
• 在韩国,电脑脑不活动 (ECI) 是宣布脑死亡的强制性要求.

研究的目的:

• 开发一种机器学习 (ML) 模型,以帮助使用EEG抑制比率 (SR) 诊断脑死亡.
• 为了提高脑死亡诊断的速度和准确性.
• 潜在地减少器官移植的延迟.

主要方法:

• 分析了180名患者的EEG数据 (81例脑死亡,99例不响应的清醒综合征).
• 使用Persyst® v13软件计算抑制比 (SR),将抑制定义为持续≥0.5秒的3μv振幅.
• 应用监督的ML模型,包括二次差异分析 (QDA),以使用SR预测大脑死亡,以70/30的训练/测试分割.

主要成果:

• 在预测脑死亡方面,QDA模型取得了最高的表现,曲线下的面积 (AUC) 为0.9806 ± 0.02.
• 截止SR值>74.76%被确定为脑死亡的最大SR指数.
• QDA表现出卓越的准确性 (0.9120 ± 0.05),精度 (0.9304 ± 0.04),回忆 (0.9120 ± 0.05),以及F1得分 (0.9101 ± 0.05).

结论:

• 一个机器学习模型,特别是QDA,可以有效地支持使用EEG SR的脑死亡诊断.
• 这种基于ML的方法可以防止诊断延迟,从而加速器官移植.
• 开发的模型显示了在脑死亡确定中临床应用的巨大潜力.