banner
Дом / Блог / Контролируемое глубокое обучение с преобразователем зрения прогнозирует бред с помощью ЭЭГ с ограниченным количеством отведений
Блог

Контролируемое глубокое обучение с преобразователем зрения прогнозирует бред с помощью ЭЭГ с ограниченным количеством отведений

Aug 28, 2023Aug 28, 2023

Научные отчеты, том 13, Номер статьи: 7890 (2023) Цитировать эту статью

2420 Доступов

4 Альтметрика

Подробности о метриках

У 80% пациентов в критическом состоянии развивается делирий, что увеличивает необходимость госпитализации и повышает заболеваемость и смертность. При использовании проверенных инструментов скрининга клиницисты выявляют менее 40% случаев делирия. ЭЭГ является стандартным критерием, но она требует больших ресурсов, поэтому ее невозможно использовать для широко распространенного мониторинга делирия. В этом исследовании оценивалось использование ЭЭГ с быстрым откликом с ограниченным количеством отведений и контролируемые методы глубокого обучения с преобразователем зрения для прогнозирования делирия. В этом исследовании, подтверждающем концепцию, использовался проспективный дизайн для оценки использования контролируемого глубокого обучения с преобразователем зрения и устройством ЭЭГ быстрого реагирования для прогнозирования делирия у тяжелобольных пожилых людей на искусственной вентиляции легких. Было проанализировано пятнадцать различных моделей. Используя все доступные данные, модели преобразователей зрения обеспечили точность обучения более 99,9% и точность тестирования на уровне 97%. Трансформатор зрения с быстродействующей ЭЭГ способен прогнозировать бред. Такой мониторинг возможен у пожилых людей в критическом состоянии. Таким образом, этот метод имеет большой потенциал для повышения точности выявления делирия, предоставляя больше возможностей для индивидуального вмешательства. Такой подход может сократить продолжительность пребывания в больнице, увеличить выписку домой, снизить смертность и снизить финансовое бремя, связанное с делирием.

Делирий — острый синдром, проявляющийся изменением глобальной когнитивной функции, включающий либо дезорганизованное мышление, либо измененный уровень сознания1. Делирий встречается у 80% пожилых людей в критическом состоянии и связан с ухудшением долгосрочных когнитивных показателей2,3. На протяжении более 20 лет по меньшей мере 10 национальных и международных профессиональных организаций здравоохранения включили рутинный скрининг делирия в рекомендации по клинической практике4,5,6. Несмотря на эти рекомендации и наличие более 40 проверенных инструментов скрининга, менее 10% клиницистов сообщают о регулярном скрининге на делирий4,7. В условиях отделения интенсивной терапии многие пациенты не могут участвовать в скрининге делирия, например, находящиеся в коматозном или глубоко седативном состоянии, и, следовательно, не поддаются тестированию. Даже когда используются эти инструменты, делирий по-прежнему трудно распознать, и поэтому его часто не диагностируют и не лечат. По мере увеличения продолжительности и тяжести делирия лечить его становится все труднее. В результате делирий связан с годовым увеличением экономического бремени более чем на 44 тыс. долларов США на пациента, что делает его глобальным кризисом общественного здравоохранения8.

Электроэнцефалограмма (ЭЭГ) представляет собой репрезентативный сигнал с информацией, описывающей состояние мозга. Форма, амплитуда и скорость колебаний сигналов ЭЭГ помогают описать состояние и помочь в диагностике, как показано на рисунке 1. Использование ЭЭГ для обнаружения делирия было впервые обнаружено в 1940-х годах. Романо и Энгель выявили замедление ЭЭГ с увеличением частоты сна и уменьшением волн бодрствования при наличии делирия9,10. Таким образом, бред можно достоверно идентифицировать путем исследования изменений нейронной активности с помощью ЭЭГ. К сожалению, значительные затраты, связанные с технологическим оснащением, и необходимость экспертного анализа не позволили использовать ЭЭГ для выявления делирия в клинической практике11,12.

Наш рабочий пайплайн.

Шаг 1. Извлеките подмножества из данных, каждое подмножество имеет запись t сек. Разделите эти подмножества на наборы для обучения/тестирования.

Шаг 2. Преобразуйте подмножества в «изображения» (*).

Шаг 3. Используйте эти «изображения» для модели ViT.

Совсем недавно стали доступны удобные портативные устройства ЭЭГ с точностью записи, эквивалентной традиционной ЭЭГ, которые запрограммированы с использованием методов быстрого реагирования, таких как машинное обучение13. Эти устройства позволяют быстро настроить любой человек с ограниченной подготовкой, обеспечивая тем самым быстрые данные ЭЭГ (таким образом, ЭЭГ с быстрым откликом) в течение нескольких минут, в отличие от традиционной ЭЭГ, настройка которой может занять до часа и требует специально обученного персонала. Для оценки форм сигналов ЭЭГ параметры сигнала извлекаются и анализируются с использованием компьютерных статистических алгоритмов. Например, нелинейный анализ временных рядов дает представление о динамической природе и изменчивости сигналов мозга14. С разработкой алгоритма, способного точно прогнозировать обнаружение, новые устройства ЭЭГ могут стать реальным физиологическим методом, помогающим врачам обнаруживать делирий.

 10 s to voice) met eligibility./p> 10\,\text{Hz}\). In short, \(n\) determines the lowest frequency that an image would include. To study the impact of partial frequencies at different phases and to augment the data size, we partitioned the wave images with overlapping segments. Such treatment can better reflect the relationship of waves with different frequencies./p> 30 Hz), and theta (4–7 Hz) waves. If we use \(T\) to represent the time span of each data slice, then the frequency an image can detect is \(f = \frac{1}{T}\). In the study, the highest minimum frequency it can detect is \(10\,\,\text{Hz}\) when \(T = 0.1s\), and the lowest minimum frequency it can detect is \(0.2\,\,\text{Hz}\), when \(T = 5s\). The data slices are randomly split into testing and training sets while avoiding putting all the data from any one subject into one (training + testing) set. Positive cases and negatives in both the training sets and the testing sets are relatively balanced, with a ratio close to one./p>