Strojové učenie na detekciu intraoperačnej ischémie z elektroencefalografie pri chirurgii karotickej endarterektómie

Článok sa zaoberá použitím strojového učenia na automatickú detekciu mozgovej ischémie počas operácie karotickej endarterektómie (CEA), ktorá je vysokoriziková chirurgická procedúra. Výskumný tím testoval päť rôznych modelov strojového učenia vrátane náhodného lesa, XGBoost, logistickej regresie, support vector klasifikátora a naivného Bayesa na analýzu kvantitatívnych elektroencefalografických znakov. Model náhodného lesa dosiahol najvyššiu citlivosť 0,79-0,83, zatiaľ čo XGBoost dosiahol najvyššiu špecifickosť 0,93-0,96. Analýza dôležitosti znakov odhalila, že aktivita v alfa pásme a asymetria medzi hemisférami sú najdôležitejšími ukazovateľmi ischémie. Výsledky naznačujú, že asistencia strojového učenia by mohla podporiť neurophysiologických odborníkov a zvýšiť bezpečnosť pacientov počas vysokorizikovej chirurgie.