在手术内监测中使用机器学习模型进行基于潜在的运动唤起的脊髓功能评估
概括
这项研究开发了一个机器学习 (ML) 模型,使用长期短期记忆 (LSTM) 来分析手术期间的运动唤起潜力 (MEP),旨在预测术后运动功能和检测脊髓问题.
科学领域:
- 神经外科 神经外科
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 手动肌肉测试 (MMT) 用于脊髓手术患者,但对脊髓功能进行客观的手术内评估具有挑战性.
- 通过手术内脊髓监测 (IOM) 唤起的运动潜力 (MEP) 是有前途的,但缺乏标准化的评估.
- 在手术期间准确的,实时的脊髓功能评估仍然是一个关键的未满足的需求.
研究的目的:
- 开发一种基于机器学习 (ML) 的方法来识别MEP波形中的异常.
- 在接受脊柱手术的患者中预测术后运动功能.
- 建立在手术期间迅速客观地评估脊髓功能.
主要方法:
- 一个基于长期短期记忆 (LSTM) 的ML模型被开发出来,用于对欧洲议员的手术结果进行分类.
- 在手术期间收集了MEP波形,以及手术前和术后MMT得分.
- 这项研究包括多个肌肉群的797名患者.
主要成果:
- 经过训练的LSTM-AE模型实现了57%的召回率.
- 该模型在检测异常时表现出80%的灵敏度.
- 记录了一个4%的错误阳性率.
结论:
- 拟议的MEP分类方法显示了在手术期间检测脊髓压缩或损伤的潜力.
- ML可以提高手术内脊髓功能评估的准确性.
- 改善手术期间的监测可能会导致更好的患者结果和更少的手术并发症.
