在电皮质谱中自动检测扩散脱极化

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 医疗技术 医疗技术 医学技术

背景情况:

• 扩散脱极化 (SD) 与病变的发展和急性脑损伤后的不良结果有关.
• 精确的神经生理学诊断SD目前是神经临床护理的一个重大挑战.

研究的目的:

• 开发和验证一种自动化方法,用于检测电皮质谱 (ECoG) 数据中的扩散脱极化 (SD).
• 为了使SD检测在神经临床护理环境中得到更广泛的临床应用.

主要方法:

• 机器学习模型使用来自14名患者的ECoG数据进行训练,其中有1548名专家识别的SD事件.
• 一个梯度增强模型利用30个特征从400秒ECoG段采样在0.1赫兹显示最佳性能.
• 算法生成了一个时间序列的SD概率[P_SD(t) ]应用到连续的ECoG数据.

主要成果:

• 该自动化方法在新型患者数据集上实现了64%的灵敏度 (在1,953个真实阳性中,有1,252个真实阳性),每天有323个假阳性.
• 第二次审查表明,69%的虚假阳性可能是实际的SD,这表明了保守的专家评分方法.
• 稀疏采样 (0.1 Hz) 证明是实时流媒体和基于云的应用程序的最佳选择.

结论:

• 一个自动化的机器学习算法有效地检测在神经临界护理中扩散脱极化 (SD).
• 开发的方法,利用稀疏采样,适合实时流和云计算.
• 自动化SD检测可以克服当前的诊断障碍,促进更广泛的临床使用.