Loading...
机构名称:
¥ 1.0

目的:轻度创伤性脑损伤 (mTBI) 发病率高,但诊断却很困难,因为其症状不特异性且多种多样,并且经常缺乏结构性影像学检查结果。需要可靠且易于使用的诊断工具,这些工具应适用于所有地点和患者群体。方法:我们评估了线性机器学习 (ML) 方法根据头部创伤后亚急性期(<2 个月)的传感器级脑磁图 (MEG) 功率谱将 mTBI 患者与健康对照者区分开来的能力。我们记录了 25 名患者和 25 名年龄性别匹配的对照者的静息态 MEG 数据,并利用了之前从不同地点收集的 20 名患者和 20 名对照者的数据集。用三种 ML 方法分别分析数据集。结果:分类准确率中位数在 80% 到 95% 之间,所应用的 ML 方法或数据集之间没有显著差异。与基于检测病理性低频活动的传统传感器级 MEG 分析相比,ML 的分类准确率明显更高。结论:易于使用的线性 ML 方法可使用传感器级 MEG 数据对 mTBI 患者进行可靠且可复制的分类。意义:功率谱估计与 ML 相结合可以高精度地对 mTBI 患者进行分类,具有很高的临床应用前景。2023 年国际临床神经生理学联合会。由 Elsevier BV 出版这是一篇根据 CC BY-NC-ND 许可协议开放获取的文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。

临床神经生理学

临床神经生理学PDF文件第1页

临床神经生理学PDF文件第2页

临床神经生理学PDF文件第3页

临床神经生理学PDF文件第4页

临床神经生理学PDF文件第5页