从老年患者的手术内脑电图中推断术前认知功能,使用机器学习.
IEEE transactions on bio-medical engineering
|March 6, 2026
概括
使用手术内脑电图 (EEG) 的机器学习模型可以推断老年手术患者的手术前认知功能. 虽然相关性很弱,但这种方法显示了早期发现神经认知障碍的潜力.
科学领域:
- 神经科学是一个神经科学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 手术后老年人的认知能力下降是一个重大问题.
- 准确评估手术前的认知功能对于风险分层和个性化护理至关重要.
- 在手术期间,手术内脑电图 (EEG) 提供了连续的生理信号.
研究的目的:
- 开发和评估机器学习 (ML) 模型,从手术内EEG推断术前认知功能.
- 评估这些ML模型在不同手术群体和地理位置的普遍性.
主要方法:
- 对两个独立的队列 (美国和智利) 的回顾性分析,包括60岁以上接受手术的患者.
- 使用了手术内EEG数据和手术前蒙特利尔认知评估 (MoCA) 评分.
- 训练并测试了四种ML模型:逻辑回归 (L2),随机森林,梯度增强树和极端梯度增强.
主要成果:
- 使用L2规范化的后勤回归模型在训练数据集中表现最好 (WRMSE 2.82,Spearman的rho 0.18).
- 这个模型的性能一般化为外部测试数据集 (WRMSE 2.72,Spearman的rho 0.14),表明误差低 (<3 MoCA点).
- 弱单调的相关性表明在捕捉EEG推断和实际认知得分之间的一致关系方面存在局限性.
结论:
- 在手术内EEG上训练的ML模型可以推断老年手术患者的手术前认知功能具有可接受的误差.
- 这些模型显示不同人群的概括性,但相关性很弱.
- 需要进一步验证临床实施以帮助早期检测和缓解神经认知障碍.
