机器学习对早产婴儿对与疼痛相关或非疼痛相关刺激的EEG反应的分类
Lojain Hamwi1, Hang Du2, Sara Jasim1
1York University, Toronto, ON, Canada.
Pain reports
|September 19, 2025
概括
机器学习准确地区分了早产婴儿的疼痛信号,改善了新生儿重症监护室 (NICU) 的疼痛管理. 这项技术提供了一种更精确的方法来评估婴儿疼痛,解决当前方法的局限性.
科学领域:
- 新生儿神经科学 新生儿神经科学
- 计算神经科学是一种神经科学.
- 医学机器学习 医学机器学习
背景情况:
- 在早产婴儿中,未经管理的疼痛会对长期发育产生负面影响.
- 新生儿重症监护室 (NICU) 目前的疼痛评估方法缺乏特异性,可能导致疼痛管理不当.
- 对早产婴儿疼痛的客观评估对于最佳护理至关重要.
研究的目的:
- 评估机器学习 (ML) 模型在区分与疼痛相关的与非疼痛相关的皮质活动中的有效性.
- 在痛苦的过程中,评估ML模型在各种月经后年龄 (PMAs) 的性能.
主要方法:
- 在两个国际医院进行了一项观察性研究,涉及72名早产婴儿 (24-36周妊娠年龄).
- 电脑电图 (EEG) 数据是在常规的脚手术过程中收集的.
- 五个ML模型 (XGBoost,SVM,随机森林,物流回归,CNN) 用于分析手术前和后的EEG活动.
主要成果:
- 后勤回归 (LR) 显示出高性能,在最古老的PMA组 (≥34周) 中达到82%的准确性和0.90 AUC.
- 在中期PMA组 (32-33周,6天) 中,LR也以70%的准确性和0.94的AUC领先.
- 在最年轻的组 (<32周) 中,大多数模型显示出可比性能,AUC约为0.80-0.82.
结论:
- 机器学习模型显示,对于准确识别早产婴儿与疼痛相关的皮质活动,有很大的潜力.
- 这种方法可能会导致NICU中更精确,更有效的疼痛评估和管理策略.
- ML提供了一个有希望的工具来克服当前主观疼痛评估方法在新生儿的局限性.
