基于脑电特征的机器学习方法判读早产儿脑成熟度的准确性分析

作     者：丁帅文 

作者单位：吉林大学 

学位级别：硕士

导师姓名：武辉

授予年度：2024年

学科分类：1002[医学-临床医学] 100202[医学-儿科学] 10[医学] 

主      题：脑电图 早产儿 机器学习 脑成熟度 

摘      要：目的: 基于在早产儿头部不同位置采集的脑电信号,通过机器学习方法建立判别早产儿脑成熟度的预测模型,同时分析影响判读准确性的可能因素。 方法: 前瞻性收集2023年1月至2024年3月于住院期间完成床旁振幅整合脑电图检查的241例早产儿的临床资料,将患儿随机分为训练集和测试集,采集不同位置的头部单导联脑电信号,应用三种机器学习模型(支持向量机、随机森林、决策树)进行脑成熟度判读分析,以人工判读的实际胎龄为金标准,通过计算预测差值、平均绝对误差(mean absolute error,MAE)、根均方误差(root mean square error,RMSE)、相关系数r来评估不同模型的预测准确性。在准确性最佳的机器学习模型下,通过单因素分析评估影响模型判读准确性的因素。 结果: (1)基于支持向量机算法构建的脑成熟度预测模型与人工判读脑成熟度的一致率达64.15%,其评估性能为:MAE=0.840,RMSE=1.159,r=0.682;基于随机森林算法构建的脑成熟度预测模型与人工判读脑成熟度的一致率达90.09%,其评估性能为:MAE=0.378,RMSE=0.577,r=0.932;基于决策树算法构建的脑成熟度预测模型与人工判读脑成熟度的一致率达87.74%;其评估性能为:MAE=0.316,RMSE=0.794,r=0.858。 (2)随机森林模型预测早产儿脑成熟度时,不同出生胎龄分组下的准确性评估:出生胎龄34周组的MAE=0.269,RMSE=0.389,r=-0.068。 (3)将判读预测胎龄的误差在1周之内定义为机器学习模型判读准确,出生胎龄、出生体重、自然分娩比例、脑电图检查时较低的实际胎龄、Ⅱ度及以上颅内出血及脑白质回声增强在判读准确组和判读不准确组存在统计学差异(P34周的患儿脑成熟度时准确性最佳。 (3)低出生胎龄、自然分娩与Ⅱ度及以上颅内出血、脑白质回声增强等因素会降低随机森林模型判读早产儿脑成熟度的准确性。