一种机器学习方法,可以使用非EEG生理信号实时检测不充分的镇静
Huiquan Wang1, Chunliang Jiang1,2, Guanjun Liu2
1School of Control Science and Engineering, Tiangong University, Tianjin 300387, China.
Bioengineering (Basel, Switzerland)
|October 29, 2025
概括
一个新的机器学习模型使用非EEG生理数据检测不充分的镇静. 这种方法为各种环境中的实时监控提供了一个实用,可解释的解决方案.
科学领域:
- 麻醉学和重症监护医学
- 生物医学工程 生物医学工程
- 医疗保健中的机器学习
背景情况:
- 在麻醉期间不适当的镇静会带来患者不适和手术期间意识等风险.
- 传统的基于脑电图 (EEG) 的监测在医院以外的环境中通常是不切实际的,因为设备和文物问题.
- 开发替代的非EEG监测方法对于患者安全至关重要.
研究的目的:
- 开发和评估一种机器学习模型,用于使用非EEG生理数据检测不充分的镇静.
- 评估开发模型的性能和可解释性.
- 探索将这种模型集成到便携式监控系统中的可行性.
主要方法:
- 开发了一个机器学习模型,使用来自VitalDB数据库的27个特征 (人口统计,生命体征,心率变化) 来开发.
- 不充分的镇静被定义为双光谱指数 (BIS) > 60.
- 评估了四个时间窗口和四个算法,并使用Shapley添加式解释 (SHAP) 评估了模型的解释性.
主要成果:
- 光梯度增强机 (LGBM) 算法在2秒的时间窗口中实现了最高的性能 (AUC=0.825,ACC=0.741).
- 将时间窗口延长到20年代显示出性能指标的边际改善.
- 特性选择确定了12个关键参数,在减少模型复杂性的情况下保持准确性.
结论:
- 不基于EEG的生理数据可以有效地用于实时检测不充分的镇静.
- 开发的机器学习模型是可解释的,资源高效和可扩展的.
- 该模型具有很大的潜力,可以集成到用于医院前,紧急和低资源环境的便携式监控系统中.
