新生儿监测中的氧心呼吸图 - - 现有差距和人工智能的未来潜力:一个小小的回顾

科学领域:

• 新生儿监测和心肺呼吸系统生理学.
• 机器学习在医疗保健中的应用.
• 精准医学中的翻译性研究.

背景情况:

• 新生儿氧心呼吸图 (OCRG) 非侵入性监测高风险婴儿的心肺稳定性.
• OCRG数据对于评估早产新生儿容易出现呼吸暂停,胸肌梗塞和脱的情况至关重要.
• 目前使用OCRG数据预测出院后心肺呼吸事件存在局限性.

研究的目的:

• 探索机器学习 (ML) 的潜力,以分析用于预测建模的OCRG数据.
• 识别当前OCRG分析中的差距,并提出基于ML的解决方案.
• 概述一张路线图,以推动OCRG从新生儿护理中的描述性工具发展为预测性工具.

主要方法:

• 对OCRG数据利用和新生儿监测中的ML应用现有文献的审查.
• 在相关的新生儿任务 (呼吸暂停检测,败血症预测) 中,从ML中获得的可转移教训的综合.
• 专注于基于时间序列的ML方法 (浅层和深层学习) 来实现多式联络生物信号集成.

主要成果:

• 对丰富的,时间序列的OCRG数据进行预测分析的显著不足利用.
• 在使用多模式生物信号的其他新生儿监测任务中证明了ML的成功.
• 确定ML作为发现生理模式和完善风险分层的有希望的策略.

结论:

• 机器学习提供了一种强大的方法来释放OCRG数据的预测潜力.
• 通过ML推进OCRG分析,可以改善新生儿的风险分层和个性化干预.
• 拟议的路线图有助于将OCRG转变为精准新生儿护理的预测平台.