在早产新生儿中对EEG成熟度的自动估计及其与长期结果的关联
Johannes Mader1, Manfred Hartmann2, Katrin Klebermass-Schrehof3
1Division of Neonatology, Pediatric Intensive Care and Neuropediatrics, Department of Pediatrics and Adolescent Medicine, Comprehensive Center for Paediatrics (CCP), Medical University of Vienna, Vienna, Austria; Center for Health & Bioresources, AIT (Austrian Institute of Technology), Vienna, Austria.
概括
卷积神经网络模型准确地估计了早产婴儿的EEG成熟年龄. 这种自动化的EEG成熟度跟踪显示了作为神经发育风险生物标志物的潜力.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 儿科 儿科 儿科
背景情况:
- 过早出生的婴儿需要精确的神经发育评估.
- 幅度集成电脑图 (aEEG) 提供连续的大脑活动监测.
- 早期发现神经发育风险对于及时干预至关重要.
研究的目的:
- 开发和验证卷积神经网络 (CNN) 模型,从早产婴儿的EEG记录中估计EEG成熟年龄 (EMA).
- 评估EMA与长期神经发育结果之间的关联.
主要方法:
- 在92名早产婴儿 (23-41周月经后) 的EEG数据上训练了三个CNN模型.
- 根据平均绝对误差 (MAE) 选择了最佳模型.
- 将模型应用于更大的队列 (148名婴儿) 以计算预测年龄差异 (PAD = EMA - PMA) 并使用贝利尺度 (BSID-III) 评估神经发育.
主要成果:
- 最好的CNN模型实现了高精度 (87%和84%在±1周内) 与低MAE (0.63和0.55周).
- 与正常结果相比,在严重异常的认知结果的婴儿中观察到明显较低的PAD得分 (P < 0.001).
- PAD和MAE对神经发育结果的预测值中等 (AUC为0.69和0.77).
结论:
- 来自aEEG的基于CNN的EMA估计是准确的,并且与早产婴儿的长期认知结果相关.
- 使用aEEG的自动EEG成熟度跟踪作为神经发育风险评估的有价值的实时生物标志物.
