机器学习和深度学习用于检测新生儿发作:系统性审查

科学领域:

• 医疗信息学 医疗信息学
• 人工智能在医学中的应用
• 新生儿神经病学 新生儿神经病学

背景情况:

• 新生儿发作是常见的神经紧急情况,需要及时检测.
• 机器学习 (ML) 和深度学习 (DL) 为管理提供了有前途的进展.

研究的目的:

• 评估ML和DL技术对新生儿发作检测准确性的影响.
• 综合目前关于ML/DL在新生儿发作检测中的应用的证据.

主要方法:

• 在主要数据库 (PubMed,Scopus等) 进行了全面的文献搜索. 在2024年4月.
• 关键词包括"新生儿"",发作"",机器学习"和"检测".
• 一个范围审查过程从3512个初始记录中确定了10项相关研究.

主要成果:

• 在NICU设置中的17-258名新生儿中分析了1389次发作.
• ML模型表现出高性能:曲线下的面积 (AUC) 从80.7%到99.3%不等.
• 发作检测的平均灵敏度和特异性在60.4%至93.38%之间.

结论:

• 卷积神经网络模型显示出早期和准确的新生儿发作检测的巨大潜力.
• 建议进一步开发和验证ML/DL模型.
• 整合到新生儿重症监护室 (NICU) 对于临床实施至关重要.