Time-Series Autoregressive Models for Point and Interval Forecasting of Raw and Derived Commercial Near-Infrared Spectroscopy Measures: An Exploratory Cranial Trauma and Healthy Control Analysis
Notice bibliographique
Résumé
Cerebral near-infrared spectroscopy (NIRS) systems have been demonstrated to continuously measure aspects of oxygen delivery and cerebrovascular reactivity. However, it remains unknown whether the prediction of these cerebral physiologic signals into the future is feasible. Leveraging existing archived data sources, four point and interval-forecasting methods using autoregressive integrative moving average (ARIMA) models were evaluated to assess their ability to predict NIRS cerebral physiologic signals. NIRS-based regional cerebral oxygen saturation (rSO2) and cerebral oximetry index signals were derived in three temporal resolutions (10 s, 1 min, and 5 min). Anchored- and sliding-window forecasting, with varying model memory, using point and interval approaches were used to forecast signals using fitted optimal ARIMA models. The absolute difference in the forecasted and measured data was evaluated with median absolute deviation, along with root mean squared error analysis. Further, Pearson correlation and Bland–Altman statistical analyses were performed. Data from 102 healthy controls, 27 spinal surgery patients, and 101 traumatic brain injury patients were retrospectively analyzed. All ARIMA-based point and interval prediction models demonstrated small residuals, while correlation and agreement varied based on model memory. The ARIMA-based sliding-window approach performed superior to the anchored approach due to data partitioning and model memory. ARIMA-based sliding-window forecasting using point and interval approaches can forecast rSO2 and the cerebral oximetry index with reasonably small residuals across all populations. Correlation and agreement between the predicted versus actual values varies substantially based on data-partitioning methods and model memory. Further work is required to assess the ability to forecast high-frequency NIRS signals using ARIMA and ARIMA-variant models in healthy and cranial trauma populations.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».