基于EEG,ECG和临床特征的可解释机器学习模型,用于预测心脏骤停患者的神经结果
Yanxiang Niu1,2, Xin Chen1,2, Jianqi Fan3
1Institute of Disaster and Emergency Medicine, Tianjin University, Tianjin, China.
Scientific reports
|April 3, 2025
概括
通过结合脑电图 (EEG),心电图 (ECG) 和临床数据,预测昏迷心停止患者的神经结果得到了改进. 这种多模式的方法为关键护理决策提供了卓越的准确性和可解释性.
科学领域:
- 关键护理医学 关键护理医学
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
背景情况:
- 准确预测昏迷状态心脏骤停幸存者的神经结果对于临床管理至关重要.
- 目前的预测模型通常依赖于单个数据模式,如EEG或ECG,集成和解释能力有限.
- 结合EEG,ECG和临床数据以提高预测准确性的潜力仍未得到充分探索.
研究的目的:
- 开发和验证一个整合EEG,ECG和临床数据的多模式机器学习模型,用于预测昏迷心脏骤停患者早期的神经结果.
- 将多模式模型的预测性能与单模式模型 (仅EEG,仅ECG) 的预测性能进行比较.
- 为了提高模型的可解释性,使用SHAP (夏普利增量解释) 来识别关键的预测特征.
主要方法:
- 使用I-CARE数据库,包括EEG,ECG和昏迷心脏骤停患者的临床数据.
- 应用严格的数据预处理和特征工程技术.
- 开发和评估机器学习模型 (逻辑回归,SVM,随机森林,梯度提升) 使用AUC-ROC,精度,灵敏度和特异性,并使用SHAP进行解释性.
主要成果:
- 多模式模型显著优于单模式模型,实现AUC值在0.75到1.0之间.
- 在逮捕后12-24小时的窗口内观察到最佳预测准确度 (AUC=1.0).
- 仅使用EEG模型的AUC为0.7-0.8,而仅使用ECG模型的AUC低于0.6.
- 在SHAP分析中",可震动的节奏"被认为是最有影响力的特征 (平均SHAP值为0.17).
结论:
- 结合EEG,ECG和临床数据的新型多模式方法显著改善了重症监护机构早期神经学结果的预测.
- 开发的模型展示了卓越的性能,并通过SHAP分析对预测特征的重要性提供了有价值的见解.
- 这种可解释的多模式策略支持个性化的患者管理和心脏骤停幸存者的临床决策.
