Machine learning classification of EEG responses to pain-related vs non-pain-related stimulus in preterm infants
Notice bibliographique
Résumé
Introduction: Unmanaged pain in preterm infants can lead to long-term developmental consequences. Current pain assessment methods lack specificity, resulting in possible pain mismanagement in Neonatal Intensive Care Units (NICUs). This study explores the application of machine learning (ML) to differentiate between pain-related and non-pain-related cortical activity in preterm infants. Objective: To evaluate the performance of ML models in distinguishing cortical EEG activity during a painful procedure in preterm infants across different postmenstrual ages (PMAs). Methods: This observational study was conducted from June 2015 to May 2024 at Mount Sinai Hospital in Toronto, Canada, and University College London Hospital, United Kingdom. EEG data were collected from 72 preterm infants (27 females) during routine heel lance procedures while held in skin-to-skin contact. Infants' gestational ages ranged from 24 to 36 weeks with a mean PMA of 32.87 weeks. Five ML models-XGBoost, support vector machines, Random Forest, Logistic Regression (LR), and convolutional neural networks-distinguished EEG activity pre-heel and post-heel lance. Results: Model performance was assessed using accuracy and area under the receiver operating characteristic curve (AUC). In the oldest PMA group (≥34 weeks), LR achieved the highest mean accuracy (82%) and AUC (0.90). Similarly, LR achieved the highest mean accuracy (70%) and AUC (0.94) in the middle PMA group (32-33 weeks, 6 days). In the youngest group (<32 weeks), all models except XGBoost performed relatively the same with a mean accuracy of 76% or 77% and a mean AUC of 0.82 or 0.80. Conclusion: Machine learning models demonstrate potential in distinguishing pain-related cortical activity, offering a pathway for improved neonatal pain assessment in NICUs.
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 | 0,021 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».