Non-Invasive Modeling of Intracranial Hypertension from Physiological Channels
Notice bibliographique
Résumé
<p>Intracranial pressure (ICP), the pressure within the cranium reflects three elements: cerebrospinal fluid, brain tissue and blood pressure. High ICP (above 20 mmHg) is called intracranial hypertension (ICH) which is due to the tumour, swelling or the internal bleeding of brain and may cause secondary damage to the brain. ICP is a crucial parameter in diagnosis of brain injuries. Two models which utilize machine learning techniques to anticipate ICH and assist in clinical decision making were developed in the present thesis. ICP can be monitored through the invasive techniques (i.e., inserting an intraventricular catheter through the skull). Despite the high accuracy, the episodes of ICH can also be manually identified only after placement of catheter which is accompanied by lots of technical difficulties. Furthermore, the ICP signal might not be available continuously or may include unwanted noise that could introduce more complication to the diagnosis and treatment procedure. Considering the difficulties of the invasive techniques, a non-invasive model, capable to predict the ICH helps to save time, estimate the missing ICPs, predict the ICP in advance and accelerate medical intervention. The present thesis introduces two machine learning models to resolve the current limitations: 1- Non-invasive prediction of ICP labels 10 minutes in advance where the status of ICP (normal / ICH) is predicted based on the two components extracted from the physiological signals such as mean arterial blood pressure and respiration rate. 2- Wavelet – clustering where a machine learning solution for ICP estimation using a hybrid wavelet clustering is proposed. The episodes of ICP and derived from ICP (such as cerebral perfusion pressure) are excluded from the second model.</p>
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 | 0,001 |
| 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 | 0,001 |
| 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 ».