开发一种基于深度学习的预测模型,用于在成年人中使用手术内脑电图进行手术后妄想

科学领域:

• 麻醉学和重症监护医学
• 医疗保健中的人工智能
• 神经科学是一个神经科学.

背景情况:

• 手术后痴呆症 (POD) 是一种与患者结果更差相关的严重并发症.
• 目前用于预测POD的方法有局限性.
• 在手术期间,手术内脑电图 (EEG) 提供了一个潜在的窗口,可以了解手术期间的大脑功能.

研究的目的:

• 开发和验证用于预测POD的深度学习模型 (DELPHI-EEG).
• 评估DELPHI-EEG与传统模型相比的性能.
• 探索手术内EEG波形对于POD风险分层的有用性.

主要方法:

• 使用了34550例手术病例的数据集,并进行了6内科脑电图监测.
• 开发了一个深度学习模型 (DELPHI-EEG),以EEG波形进行训练.
• 在模型性能评估中使用5倍交叉验证.
• 将DELPHI-EEG与使用爆发抑制比率的逻辑回归模型进行比较.

主要成果:

• 在DELPHI-EEG模型中,AUROC达到0.870,AUPRC达到0.038.
• 德尔菲EEG显著超过了后勤回归模型 (AUROC: 0.729,p=0.004;AUPRC: 0.013,p=0.002).
• 该模型表现出强大的术后妄想预测能力.

结论:

• 德尔菲-EEG模型显示了作为POD有效风险预测器的潜力.
• 通过深度学习进行手术内EEG分析,可以为手术患者提供有针对性的预防策略.
• 需要在不同的临床环境中进行外部验证,以确认可通用性.