人工智能用于分析头部直立倾斜测试数据的syncope测试:一个范围审查
F N van der Geest1, M R Tannemaat2, F Ye3
1Department of Neurology, Leiden University Medical Center, Leiden, the Netherlands; Educational Program Technical Medicine, Leiden University Medical Center, Delft University of Technology & Erasmus University Medical Center Rotterdam, the Netherlands.
概括
机器学习 (ML) 与头直倾斜测试 (HUTT) 数据相结合,可以提高昏迷诊断. 使用心电图,血压和阻抗数据的支向量机 (SVM) 模型对早期血管综合预测特别有希望.
科学领域:
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
背景情况:
- 昏迷是由于大脑血流减少而暂时失去意识的症状,通常是由血管性昏迷 (VVS) 引起的.
- 头直倾斜测试 (HUTT) 是昏迷的标准诊断方法,但它往往是漫长的,缺乏最佳的诊断准确性.
- 机器学习 (ML) 提供了提高昏迷预测效率和准确性的潜力.
研究的目的:
- 系统地审查ML算法的应用,分析HUTT数据以诊断.
- 确定最有效的ML模型和特征来预测昏迷,特别是VVS.
主要方法:
- 在PubMed上进行了全面的文献搜索,寻找使用ML与HUTT数据的研究.
- 提取的数据包括ML模型,输入特征 (ECG,CBP,TIM),性能指标和评估策略.
- 使用STAR-ML检查清单来评估研究质量.
主要成果:
- 综述中包括了13项研究.
- 通常使用的ML算法包括支持矢量机器 (SVM),神经网络,决策树,k-最近邻居和物流回归.
- 通过使用心电图 (ECG),连续血压 (CBP) 和胸前阻抗 (TIM) 的特征的SVM模型实现了最高的诊断性能.
结论:
- 对HUTT信号的ML分析表明,增强的诊断准确性和效率具有很大的潜力.
- 结合多式联络数据 (心电图,CBP,TIM) 的SVM模型对于昏迷预测特别有效.
- 建议进一步开发基于ML的诊断工具,以优化昏迷护理,特别是用于早期VVS检测.
