A Pilot Study Using Machine Learning for Classification of Pain-Related Versus Non-Pain-Related Electroencephalographic Activity in Preterm Infants
Notice bibliographique
Résumé
Effective pain assessment and management are crucial to mitigate both immediate and long-term consequences of prolonged NICU stays. Accurately assessing pain in premature infants is challenging due to their inability to verbally communicate their pain, the potential judgement bias by caregivers, the lack of specificity in current pain assessment tools and time constraints in a busy hospital environment. This pilot study explores a machine learning approach to support pain assessment in neonatal care using cortical activity. The current study aims to test machine learning models that autonomously distinguishes non-pain related from pain-related cortical activity. The present dataset includes 72 preterm infants (27 females), born between 24- and 36-weeks gestational age, from two NICUs: Mount Sinai Hospital (Toronto, Canada) and University College London Hospital (London, UK). The primary outcome was to assess the accuracy of various machine learning models (XGBoost, Support Vector Machines, Random Forest, Logistic Regression, Convolutional Neural Networks) in distinguishing EEG features within a one-second pre-lance epoch (non-pain related) from a one-second post-lance epoch (pain-related). Performance metrics varied across post-menstrual age groups, reflecting developmental differences in EEG patterns. Machine learning algorithms can autonomously distinguish the one-second epoch immediately following a heel lance from the one-second epoch immediately preceding the procedure in preterm infants. Moreover, the performance of these algorithms improves with increasing postmenstrual age, demonstrating greater accuracy and reliability in older infants. This study provides a foundation for developing an autonomous and accurate tool for pain assessment in neonatal patients that can improve pain management practices 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 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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».