在心脏骤停患者中使用电眼镜和机器学习检测眼睛运动

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 临界护理医学 临界护理医学

背景情况:

• 昏迷心脏骤停 (CA) 患者的神经预测具有挑战性,需要新的生物标志物.
• 眼睛运动是由于共享的神经解剖路径而引起兴奋恢复的潜在指标.
• 从脑电图 (EEG) 用电眼图 (EOG) 手动量化眼动是劳动密集型的.

研究的目的:

• 开发和训练用于使用EOG数据自动检测眼动的机器学习算法.
• 评估使用EOG用于在CA后患者中持续量化眼动的可行性.
• 建立眼睛运动作为一种潜在的生物标志物,用于CA幸存者的神经恢复.

主要方法:

• 一个回顾性,单中心的队列研究,涉及经CA患者接受EEG/EOG监测.
• 在48名患者 (145,800个样本) 的1小时EOG数据上训练机器学习算法.
• 在使用AUC,灵敏度和特异性的24名患者12小时EOG数据的单独测试组上评估算法性能.

主要成果:

• 该算法在检测眼睛运动方面取得了高性能.
• 灵敏度为94.0%,特异性为82.0%,曲线下的面积 (AUC) 为94.2%.
• 该研究包括72名符合条件的患者,在培训和测试组中报告了生存率和命令遵循率.

结论:

• 来自EOG的自动眼动检测在心脏骤停患者中具有高度敏感性和特异性.
• 这项技术可能会自动化对眼睛运动的量化.
• 进一步的研究可以探索量化的眼动与患者康复结果之间的关联.