肌肉加速度描记神经肌肉监测的离群值检测：人工智能路径摘要目的：围手术期对神经肌

【肌肉加速度描记神经肌肉监测的离群值检测：人工智能路径】

文章图片

文章图片
摘要
目的：围手术期对神经肌肉阻滞患者进行神经肌肉功能的定量监测，是现代麻醉的必需与重要组成。临床中基于肌肉加速度描记(acceleromyography, AMG）神经肌肉监测仪所记录的伪影并不少见，使得其适用性受限。离群值分析（或异常值检测）是指在数据集中发现与预期行为模式不一致的数据。通过离群值分析技术，监测设备能够识别和标记异常信号。本研究旨在生成一系列特征（工程特征）集，能够检测AMG测量四个成串刺激(train-of-four, TOF)的离群值，并进一步通过建立离群值检测算法测试工程特征集识别TOF监测离群值的性能；
方法：由多中心AMG和陀螺仪传感神经肌肉监测建立数据集，包含 35 名患者的 533 次高灵敏度 TOF 测量值。基于原始数据提取第一组基本特征，第二组特征由TOF测量值提取的工程特征；使用敏感逻辑回归 (cost-sensitivelogistic regression,CSLR) 模型评估特征集的性能, 所建立的模型最终输出为二元分类形式表示 TOF 测量值是否为离群值；
结果：基于原始数据中提取7个基本特征，并由TOF测量值中提取8个特征，建立工程特征集。模型的训练和测试基于单独数据集：319 个测量值（18 个离群值），测试集共 214 个测量值（12 个离群值）。基于建立工程特征集的 CSLR 模型的F1 分数 (95%CI) 为 0.86 (0.48-0.97)，明显大于基本特征的 CSLR 模型 (0.29 [0.17-0.53]; P结论：基于原始数据建立的工程特征集结合离群检测算法，能够增加神经肌肉监测数据的一致性；神经肌肉监测器内部集成离群值标记算法，或可能减少AMG可靠性问题。
关键词：神经肌肉监测；离群值分析；机器学习；
背景：
术后肌松残留（Postoperative residual curarization ， PORC）在目前临床中仍较为常见，能够导致胃部内容物误吸和缺氧时通气代偿能力受损等并发症，使得术后肺部并发症增加。因此，围手术期神经肌肉的定量监测已成为当今国际共识，有助于降低严重呼吸系统并发症的发生，不过同时也使医疗费用大幅增加。
虽然神经肌监测程序看似简单，但常因各种因素导致使用者对结果的判读出现偏差。如使用拇内收肌测量AMG时基线对照TOFR（T4/T1）常出现超生理值即（TOFR > 1)。本研究旨在是开发能够应用于神经肌肉监测的人工智能模型，通过探索性分析AMG 神经肌肉监测的数据和变量，标记异常离群 TOF 测量值，并检测所集成模型的性能及其适用性。
方法：
研究参与者和数据收集
本研究所有数据均在前瞻性研究中收集，数据收集始于 2018 年 2 月，终止于2019 年 4 月。研究收集用于算法开发的数据，使用专门设计的人工智能应用程序监测由周围神经刺激器刺激同侧尺神经引起最大的手部运动。收集数据包括三轴 (3D) 原始加速度值 (m/s2) 以及原始 3D 角度速度值 (rad s–1) 。研究包括 35 名患者，总共有 533 个TOF 测量值，其中总共 533 个测量值中的 30 个被确定为离群值，来源于TOF 检测中的 18 名患者的测量结果。
特征工程
加速度和角度信号通过开源的 Cordova Plugin Device-motion 数据库所获取，测量测量肌肉在三个正交运动方向（X、Y 和 Z）的收缩运动，对这些信号进行均方根分析，以表示其加速度所代表的肌肉位移范围（单位为 m/s2；图1），模型特征集的数据来源均为连续监测信号。