基于EEG的大脑病变分级的Inter-Rater可靠性
Ryan A Tesh1,2,3, Anika Zahoor1,2,3, Jayme Banks1,2,3
1Department of Neurology, Beth Israel Deaconess Medical Center (BIDMC), Boston, Massachusetts, U.S.A.
概括
专家使用视觉EEG混评估方法-严重性 (VE-CAM-S) 尺度对脑病变进行分级,显示出良好的可靠性. 通过完善特征定义和提供更好的培训示例,可以进行改进.
科学领域:
- 神经学 神经学
- 神经生理学 神经生理学
- 医疗信息学 医疗信息学
背景情况:
- 脑病变的严重程度评估对于患者管理至关重要.
- 视觉EEG混评估方法-严重性 (VE-CAM-S) 是一种基于电脑电图 (EEG) 特征量化脑病的工具.
- 在专家中评估VE-CAM-S的可靠性对于其临床采用至关重要.
研究的目的:
- 在神经学专家中评估VE-CAM-S尺度的评级者间可靠性.
- 评估专家在确定VE-CAM-S评分中使用的特定EEG特征方面的表现.
- 识别影响VE-CAM-S分数的特征识别中的常见错误.
主要方法:
- 九位专家独立审查了32个EEG样本,得分29个特征 (VE-CAM-S和其他).
- 一个由三名专家组成的共识小组制定了得分的黄金标准.
- 使用马修斯相关系数,灵敏度和特异性来测量性能,并对错误进行定性分析.
主要成果:
- 专家们获得了0.82的Matthews相关系数中位数,表明了良好的可靠性.
- 对于大多数特征,观察到高特异性 (>90%),但灵敏度不同,爆发抑制,EDB和背景节奏的得分较低.
- 常见的错误包括缺少微妙的发现和错误识别特征,如极端的三角洲刷.
结论:
- 该VE-CAM-S尺度表现出初步支持可靠性在分级脑病变.
- 对于重量较高的特征,错误最为显著,这表明了需要改进的领域.
- 建议包括完善特征定义,创建视觉辅助工具和增强教育材料以提高准确性.
