使用EEG和机器学习算法对新生儿急性手术疼痛的客观检测

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 新生儿护理 新生儿护理

背景情况:

• 观察者依赖的婴儿疼痛量表受不连续的评估和医疗保健专业人员的可用性限制.
• 需要客观的方法来准确评估新生儿的急性疼痛.
• 电脑电图 (EEG) 提供了一种连续的生理测量方法,可以捕捉与疼痛相关的神经活动.

研究的目的:

• 调查无意识机器学习方法对新生儿脑电图分析的应用,以确定婴儿疼痛反应.
• 开发和验证一种能够使用EEG数据检测新生儿急性疼痛的机器学习模型.

主要方法:

• 记录了30名经历痛苦手术的新生儿的EEG数据.
• 在程序之前和之后计算了功能连接措施.
• 一个渐变增强机器学习模型被训练和验证,使用离开一个主体的交叉验证和一个独立的测试集.

主要成果:

• 最佳梯度增强模型在接收器操作特征曲线下实现了90%的面积,表明疼痛检测的高精度.
• 该模型确定了12个关键特征,主要与特定的EEG电极对之间的功能连接有关.
• 这些特征表明,诸如状回路,骨皮质,丘脑和胰岛等大脑区域参与婴儿疼痛处理.

结论:

• 新生儿EEG的机器学习分析,特别是功能连接,可以客观地检测婴儿对急性疼痛的反应.
• 这种方法有望克服传统的观察者依赖的疼痛尺度的局限性.
• 未来将EEG与其他生理和行为数据相结合,可以进一步提高对婴儿疼痛复杂性的评估.