多尺度预测建模强大提高了在耐药性中伪潜在预测的准确性

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 现有的预测算法在精心策划的数据集上表现出中等的成功,但在连续的内EEG (iEEG) 上扎.
• 当前的方法在实时预测中经常面临低灵敏度 (假阴性) 或高预警时间 (假阳性) 的挑战.
• 之前的研究主要集中在改进特征和分类器上,不太重视iEEG特征和风险的时间动态.

研究的目的:

• 研究iEEG特征动态和风险的预测建模,以改善预测.
• 评估时间序列预测建模对最先进的预测模型准确性的影响.
• 证明与有关的iEEG特征的长期可预测性和自回归模型的实用性.

主要方法:

• 利用了5名接受手术前评估的患者的iEEG数据.
• 采用了六种最先进的基线预测模型.
• 开发了自回归模型来预测iEEG特征和几十分钟的时间尺度上的发作风险动态.
• 使用伪前性准确度评估性能,特别是警告曲线中的灵敏度-时间 (PP-AUC) 下的区域.

主要成果:

• 很大一部分iEEG特征在时间上表现出很高的可预测性,其中一些可预测性高达30分钟.
• 特征可预测性与基于分类的特征重要性有很强的相关性.
• 添加用于iEEG特征预测的自回归模型,PP-AUC平均提高了28%.
• 对发作风险的预测模型的进一步纳入导致PP-AUC的额外平均改善51%.

结论:

• 试验证据表明,对iEEG特征和风险动态的预测建模可以显著提高预测的准确性.
• 对iEEG特征的时间可预测性支持它们作为预发作预测生物标志物的作用.
• 时间序列预测建模为使用连续iEEG数据推进预测技术提供了一个有希望的途径.