深度学习模型使用内和头皮EEG来预测麻醉后出现的镇静水平
Lichy Han1, David A Purger2, Sarah L Eagleman3
1Department of Anesthesiology, Perioperative and Pain Medicine, Stanford University, Stanford, CA, USA.
BJA open
|February 28, 2025
概括
结合内和头皮脑电图 (EEG) 改善了镇静预测. 头皮EEG单独也显示出强大的预测能力,这表明它足以在麻醉期间实时监测.
科学领域:
- 神经科学是一个神经科学.
- 麻醉学 麻醉学
- 医疗技术 医疗技术 医学技术
背景情况:
- 保持适当的麻醉深度对于手术安全至关重要.
- 电脑电图 (EEG) 越来越多地用于麻醉监测.
- 调查内EEG (iEEG) 和头皮EEG的预测能力可以提高监测效用.
研究的目的:
- 评估iEEG和头皮EEG对镇静水平的预测性能.
- 为了比较iEEG和头皮EEG联合治疗的疗效与单独治疗的疗效.
- 评估深度学习模型在麻醉出现期间预测镇静的实用性.
主要方法:
- 同时记录了iEEG,头皮EEG和观察者警觉/镇静评估 (OAA/S) 的得分.
- 开发了深度学习模型来预测OAA/S分数 (0-2对3-5).
- 模型使用iEEG,头皮EEG和它们的组合进行训练和验证.
主要成果:
- 与单独使用iEEG (AUC=0.750) 或单独使用头皮EEG (AUC=0.764) 相比,联合iEEG和头皮EEG的预测效果更好 (AUC=0.795).
- 只有头皮EEG模型在独立验证数据上实现了0.844的高AUC.
- 模式的组合捕获了时空优势.
结论:
- 结合iEEG和头皮EEG可以更好地预测镇静水平.
- 头皮EEG单独表明足够的预测性能实时监测.
- 使用多EEG的深度学习模型可以增强当前镇静监测能力.


