From Group-Level Statistics to Single-Subject Prediction: Machine Learning Detection of Concussion in Retired Athletes
Notice bibliographique
Résumé
There has been increased effort to understand the neurophysiological effects of concussion aimed to move diagnosis and identification beyond current subjective behavioral assessments that suffer from poor sensitivity. Recent evidence suggests that event-related potentials (ERPs) measured with electroencephalography (EEG) are persistent neurophysiological markers of past concussions. However, as such evidence is limited to group-level analyzes, the extent to which they enable concussion detection at the individual-level is unclear. One promising avenue of research is the use of machine learning to create quantitative predictive models that can detect prior concussions in individuals. In this paper, we translate the recent group-level findings from ERP studies of concussed individuals into a machine learning framework for performing single-subject prediction of past concussion. We found that a combination of statistics of single-subject ERPs and wavelet features yielded a classification accuracy of 81% with a sensitivity of 82% and a specificity of 80%, improving on current practice. Notably, the model was able to detect concussion effects in individuals who sustained their last injury as much as 30 years earlier. However, failure to detect past concussions in a subset of individuals suggests that the clear effects found in group-level analyses may not provide us with a full picture of the neurophysiological effects of concussion.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».