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( 二 ) 摘要目的：围手术期对神经肌

文章图片

文章图片
图1：正常和异常TOF 模式；上图显示正常的 TOF ，下图表示异常。
为更好地了解在不同AMG 测量间变化的差异，利用一组AMG值计算算术平均值和标准差；为避免与其他描述性统计数据混淆，被标记为“AMG_StdDev”和“AMG_Mean” ，设计用于评估特定 TOF 模式的特性如（表1 ，图2）。
表 1. 数据集的工程特征描述

文章图片

文章图片

文章图片

文章图片
图 2. 基础和工程特征示例（x 轴：时间， y 轴：组合角度和加速度），每种颜色代表TOF内的每个单独单个刺激：T1、T2、T3 和 T4由相应的多个加速/角度组成
模型开发、过拟合与评估
模型开发包括基本功能集和工程特征集。因研究数据集由2 个不同类别数据组成（正常和离群值），使用CSLR模型训练，为避免过拟合在数据预处理阶段使用部分数据集作为测试集（图 3）。使用准确率、召回率、 F1 分数作为模型评估指标，根据受试者特性曲线 (ROC) 和曲线下面积 (AUC) 检测模型性能。

文章图片

文章图片
图 3. 数据集分区和模型训练概述
结果
描述性统计、模型训练和交叉验证
与基本特征相比，工程特征变量变异更大。图 4 显示散点图和基本特征 T1 和TOFR 的分布图、工程特征的 ratioT1 和deltaT4_T1。与基础特征相比，工程特征中能够更清楚地检测出离群值。
训练数据集（n=319）由 18 个异常值组成，而测试数据集 (n=214) 由12 个异常值组成。训练和测试数据实例以完全随机的方式从 scikit-learn 库使用train_test_split 函数选择。在分段测量 (n=533) 上，交叉验证期间的数据划分是单独执行的，训练和测试数据以分层方式进行，以保证相同的类别不平衡分布于整个数据集。所有模型训练、交叉验证和模型评估均使用 scikit-learn 和高级编程语言 Python完成。

文章图片

文章图片
图 4. A ：TOFR和 T1 散点图；B ：特征 deltaT4_T1 和ratioT1 散点图
模型性能
图 5 为模型训练期间的学习曲线和验证指标，包括F1 分数和 ROC-AUC 。具有工程特征的 CSLR 模型与测试数据相比，训练数据集的指标性能有所提高，表明模型没有过拟合，但对于基本特征的 CSLR 模型结果却相反。工程特征的 CSLR 模型F1 分数 (95% CI) 为0.86 (0.48-0.97)，明显大于基本特征 CSLR 模型（0.29 [0.17-0.53]；P

文章图片

文章图片
图 5. 基本特征集（上图）和工程特征集（下图）的敏感逻辑回归模型的学习曲线；训练和验证指标是 F1 分数和 ROC-AUC 分数（y 轴）；X 轴表示训练实例的数量
结论
本研究基于术中测量建立一组工程特征集能够实现AMG神经肌肉监测离群值的检测，有助于相似特征模型的建立，为神经肌肉监测的离群点检测技术的建立与开发打下良好基础，离群值检测算法在未来或可以集成至AMG神经肌肉监测设备中，实现TOF测量离群值实时自动地扫描标记。
神麻人智的述评：在麻醉药物智能控制输注领域，对于神经肌肉的精确监测研究长期以来一直滞后于镇静与镇痛药物浓度的监测， AI或可能促进这一领域的研究进展，本研究主要结果表明对于术中 TOF 测量离群值的识别，基于工程特征的TOF 性能优于基础特征和临床常用的自动离群值神经肌肉监测。测试数据集中，基于基本特征的CSLR模型，标记离群值的准确率仅为三分之一，而基于工程特征的 CSLR模型的准确率可达到四分之三；另外，基于基本特征的CSLR模型报错率同样显著高于基于工程特征CSLR模型，提示该研究所建立的人工智能模型或可为未来肌肉神经功能的准确监测提供良好的借鉴，模型具有良好适用性。特征工程本质上是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限，特征工程的最终目的是提升模型的性能。本研究最大的限制在于收集的数据集和应用于开发本研究算法的样本量太小，未来仍需要建立更大样本量的数据集，以进一步提高模型的性能，另外，该研究没有对实施数据进行分析检测其离散值。编译：包文祥，罗猛强述评：邓萌