通过机器学习处理的电阻断层扫描数据对节奏性大动脉血压进行非侵入性估计

科学领域:

• 生物医学工程 生物医学工程
• 关键护理医学 关键护理医学
• 机器学习应用 机器学习应用

背景情况:

• 低血压在术后和重症监护中存在重大风险,增加死亡率.
• 目前的连续血压监测方法具有侵入性和挑战性.
• 像电阻断层扫描 (EIT) 这样的非侵入性技术需要提高血压估计的准确性.

研究的目的:

• 开发和评估一种机器学习 (ML) 模型,用于使用EIT电压测量进行非侵入性大动脉血压预测.
• 与侵入性测量相比,评估ML衍生的血压估计的准确性和可靠性.
• 探索ML集成EIT的实时,非侵入性血液动力学监测的潜力.

主要方法:

• 一个卷积神经网络 (CNN) 在75,298次陆生猪的心跳中受过训练.
• 美国有线电视新闻网 (CNN) 根据EIT电压数据预测了心缩 (SAP),平均 (MAP) 和腹缩动脉压 (DAP).
• 类内相关系数 (ICC) 和风险分类用于评估模型性能与侵入性测量相比.

主要成果:

• 该ML模型显示了与侵入性血压测量的中等相关性 (SAP的ICC:0.530,MAP:0.563,DAP:0.521).
• 在75.8%的SAP和64.2%的MAP估计中获得了低风险评分.
• 该研究展示了基于ML的非侵入性血压估计使用EIT的有希望的初步结果.

结论:

• 机器学习技术与EIT结合,显示了实时,非侵入性血压监测的潜力.
• 尽管数据有限,但这种方法为改善患者安全和重症监护的结果提供了有希望的途径.
• 需要进一步的研究和验证,以优化ML模型和临床应用的实验设置.