دانلود مقاله انگلیسی رایگان:واکنش کمی EEG و یادگیری ماشین برای پیش آگهی در آسیب مغزی هیپوکسیک-ایسکمیک - 2019
بلافاصله پس از پرداخت دانلود کنید
دانلود مقاله انگلیسی یادگیری ماشین رایگان
  • Quantitative EEG reactivity and machine learning for prognostication in hypoxic-ischemic brain injury Quantitative EEG reactivity and machine learning for prognostication in hypoxic-ischemic brain injury
    Quantitative EEG reactivity and machine learning for prognostication in hypoxic-ischemic brain injury

    سال انتشار:

    2019


    عنوان انگلیسی مقاله:

    Quantitative EEG reactivity and machine learning for prognostication in hypoxic-ischemic brain injury


    ترجمه فارسی عنوان مقاله:

    واکنش کمی EEG و یادگیری ماشین برای پیش آگهی در آسیب مغزی هیپوکسیک-ایسکمیک


    منبع:

    Sciencedirect - Elsevier - Clinical Neurophysiology, 130 (2019) 1908-1916: doi:10:1016/j:clinph:2019:07:014


    نویسنده:

    Edilberto Amorim a,b,⇑, Michelle van der Stoel c, Sunil B. Nagaraj d, Mohammad M. Ghassemi e, Jin Jing a, Una-May O’Reilly b, Benjamin M. Scirica f, Jong Woo Lee g, Sydney S. Cash a, M. Brandon Westover


    چکیده انگلیسی:

    Objective: Electroencephalogram (EEG) reactivity is a robust predictor of neurological recovery after cardiac arrest, however interrater-agreement among electroencephalographers is limited. We sought to evaluate the performance of machine learning methods using EEG reactivity data to predict good longterm outcomes in hypoxic-ischemic brain injury. Methods: We retrospectively reviewed clinical and EEG data of comatose cardiac arrest subjects. Electroencephalogram reactivity was tested within 72 h from cardiac arrest using sound and pain stimuli. A Quantitative EEG (QEEG) reactivity method evaluated changes in QEEG features (EEG spectra, entropy, and frequency features) during the 10 s before and after each stimulation. Good outcome was defined as Cerebral Performance Category of 1–2 at six months. Performance of a random forest classifier was compared against a penalized general linear model (GLM) and expert electroencephalographer review. Results: Fifty subjects were included and sixteen (32%) had good outcome. Both QEEG reactivity methods had comparable performance to expert EEG reactivity assessment for good outcome prediction (mean AUC 0.8 for random forest vs. 0.69 for GLM vs. 0.69 for expert review, respectively; p non-significant). Conclusions: Machine-learning models utilizing quantitative EEG reactivity data can predict long-term outcome after cardiac arrest. Significance: A quantitative approach to EEG reactivity assessment may support prognostication in cardiac arrest.
    Keywords: EEG reactivity | Quantitative EEG | Hypoxic-ischemic encephalopathy | Cardiac arrest | Machine learning


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 9
    حجم فایل: 1521 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی