创伤性脑损伤后的颅内压监测信号:叙述性概述和概念数据科学框架
薛月川 蒋渊 校对 刘志勇 校对
连续颅内压(ICP)监测是严重颅脑损伤(如颅脑外伤)后神经重症监护的基础,并且是继发性脑损伤的预警手段。随着人工智能(AI)数据分析方法的迅速发展,生理信号数据的采集、存储、实时分析和解释可以为神经重症监测的生物信息学领域带来新见解。我们回顾了有关ICP波形量化和分析的现有文献,并提出了一个集成框架,其中包含信号处理工具、高级统计方法和机器学习技术,以便全面了解ICP信号及其临床重要性。我们的目标是确定现有数据分析方法的优势和陷阱,以及信息提取和应用。特别是,我们描述了使用ICP信号分析技术来检测颅内高压并预测短期颅内高压和长期临床预后。我们根据现有文献和针对临床相关生物医学信号数据的计算方法,为未来的研究人员提供了良好的路线图。
介绍
创伤性脑损伤(TBI)是获得性脑损伤的最常见形式之一。与脑外伤相关的主要伤害包括局灶性血肿,挫伤和弥漫性伤害,继发性损伤包括细胞损伤,炎症,血流调节的变化,以及随着脑组织开始肿胀,颅内压力(ICP)升高。ICP测量是神经重症监护中脑损伤后生理神经监测的基石,尤其是在严重TBI后使用ICP测量被认为是继发性脑损伤的生物标记。指南提供了在严重TBI后使用ICP监测的II类建议,针对性治疗以降低ICP被认为对长期功能预后有积极影响。
方法
我们对现有文献进行了叙述性概述。本概述的目的是从数据科学的角度讨论ICP信号研究的现有方法,并重点介绍围绕概念框架组织与信号处理和计算分析有关的现有工作。所有研究均基于作者的专业知识进行选择,以突出显示对目标至关重要的概念。
讨论区
背景:颅内压信号
颅内空间通常由三个元素组成:80%的脑组织,12%的静脉和动脉血以及8%的脑脊髓液。可以归结为如下:
这表明颅内内容物是脑体积,脑脊液(CSF)和颅腔中颅内血液体积之和,并且是恒定或接近恒定的。这三个中任何一个的增加应导致其他两个中的减少。循环脑脊液成分可以用达夫森方程表示:
其中R是对CSF流出的阻力,F是CSF的形成,P是矢状窦压力。在病理情况下,例如在TBI后,各种机制可能导致ICP升高,包括脑容量增加(例如脑水肿),与自动调节中断有关的动脉血容量增加或正常CSF循环受阻和吸收。通过以下方式估算脑组织毛细血管内的灌注压力:
其中CPP是大脑灌注压力,MAP是平均动脉压力,而ICP是阻力。因此,ICP升高可能会导致CPP降低。随着CPP下降和达到大脑自动调节能力的下限,脑血流量减少,局部缺血可能取决于组织的代谢需求而发展。
ICP通常通过放置在侧脑室的导管,创建封闭的液柱或使用直接放置在脑组织中的微型应变仪探头进行测量。ICP在足够的采样频率下测量(通常为64赫兹或更大)表现出与三个峰的特征波形,反映脑动脉脉动。这三个子峰为P1, P2和P3(图1)。正常颅内生理条件下的ICP波形(图1A)与大脑顺应性降低时记录的波形(图1B)不同。因此,脉冲形态学包含有用的临床信息,但是在没有先进技术的帮助下进行定量分析。
除了ICP波形的脉冲分量外,ICP信号还会在较慢的时间范围内振荡。所述ICP信号可以分解为基于原始信号的频域分量(图2)。上述脉冲波形与心动周期有关,并且具有1–1.3 Hz的频带。梅耶波(通常称为C波)的频率约为0.1 Hz,并且可能与参与血压调节的交感神经活动有关。呼吸波与呼吸周期有关,并且在0.26到0.3 Hz之间振荡。最后,B波的定义是每分钟0.33到3个周期之间的频率范围,可能与脑血容量的波动有关,并且可以根据振幅进行分层。
尽管ICP信号很丰富且很复杂,但目前的临床测量结果几乎全部报告为在短时间范围内ICP峰值的简单平均值。管理是由旨在将平均ICP降低到被认为严重升高的设定阈值以下的药物或生理操作驱动的。通过尝试将ICP维持在临界阈值以下,临床医生希望减少不良结果的可能性。但是,此阈值的值尚未确定。历史上,研究建议应使用15至25 mmHg的ICP平均阈值。脑创伤基金会的最新建议是将阈值设为22 mmHg,这主要源于一项研究比较了一组TBI患者在5天的平均ICP,并证明了当平均ICP高于此时,死亡率与死亡率增加相关此阈值。
给定个体的ICP阈值似乎可能随个人特征(例如年龄,性别,病史和治疗干预)而变化。一项针对355位患者的回顾性队列研究得出结论,ICP的临界阈值也随时间而变化,并且在监测的第一天后可能低于20 mmHg。最后,伴有ICP肿块病变或抬高的TBI可能需要去骨瓣减压术(DC),该手术可有效降低颅内压。在一项针对590名参与者的荟萃分析中,旨在评估使用减压治疗ICP相关的发病率和死亡率,通过以下方法有效降低ICP:DC并不能带来全面改善的“有利结果”,虽然死亡和/或最小意识状态的1年以下的损伤相对危险度显著减少。基于阈值的ICP靶向治疗可能源于合理的推断,但也可能反映了对于颅内腔室复杂生理学的过于简单化的方法。ICP与其他因素至关重要,例如心输出量和动脉血压,二氧化碳张力对脑血管的影响以及氧气和葡萄糖向受伤组织的输送。但是,了解ICP与其他生理参数之间关系的第一步需要对ICP信号本身进行全面表征。
概念数据科学框架
数据挖掘方法是量化ICP随时间变化的多个信号特征的理想方法,以便更全面地了解ICP在脑部监测中的作用(表1)。图3提出了针对ICP信号的数据挖掘方法的建议框架。为了使用数据科学解决生物医学问题,该框架被表述为工程问题,并将指导有关该主题的文献的以下回顾。
已经描述了各种非侵入性技术来促进ICP监测,而没有与侧脑室或实质导管相关的风险,例如症状性出血。最简单的非侵入性措施只是将ICP的关键阈值二等分。视神经超声检查可测量神经鞘管的直径,该直径与蛛网膜下腔连续,因此在ICP严重升高时会增加。其他方法依赖间歇性测量,例如CT或MRI成像。基于间歇性多普勒的技术已被用于使暴露于颅骨内压力的血管发出声音。最近,经颅多普勒固定装置的使用已使镇静或昏迷患者的平均大脑中动脉血流速度(CBFV)相对连续地得以评估。使用CBFV和动脉血压脉搏波形数据的组合,可以ICP通过各种建模技术包括回归和机器学习算法估计。其中一些方法需要“黄金标准” ICP测量,以了解CBFV和ABP之间的相关关系,而其他方法则基于颅内顺应性和抵抗力的计算模型。但是,这些模型需要非常仔细的信号采集和对齐,并基于合理但简单的假设,最终估算出平均ICP。因此,尽管需要进行复杂的信号处理来生成ICP估计值,但所得信号仍不会保留ICP脉波中包含的信息。为了便于阅读,我们将重点介绍直接测量的ICP信号。
第1层:
数据处理
ICP信号经常被噪声或伪影污染,这些噪声或伪影可能会妨碍峰值检测和应用,例如ICP高度的准确预测。因此,在实施任何数据分析工具之前,必须了解、过滤和消除噪声,这一点至关重要。给定信号有两种类型的噪声:高频噪声和低频噪声。高频噪声会破坏ICP记录,而低频噪声会在与基础数据的重要特征相同的频带中发生,因此需要更细微的数据清理过程。ICP信号是非平稳且非线性的,其频谱在时间上不一致。与肌电图(EMG)或脑电图(EEG)不同,在ICP监视中,参考信号不可用。因此,可以基于诸如峰度和方差之类的分量的统计特征的阈值去除噪声分量。但是,该假设不适用于ICP信号。这些特征限制了一些流行的信号处理方法的性能,例如自适应滤波或独立分量分析(ICA),用于去除伪影。
数据处理:过滤
高频噪声源于测量和放大器设备。通过传统的滤波方法(例如低通滤波)删除这些组件相对简单。考虑到ICP信号中的生物信号成分不能合理地超过心率,根据Nyquist-Shannon采样定理,截止频率通常设置为40 Hz。截止频率有时可以被设置为10赫兹,因为大部分与所述信号相关联的能量被8赫兹阈值限制,如图4A。
建议使用有限脉冲响应(FIR)滤波器,而不是无限脉冲响应滤波器,因为线性相位响应对于保持信号的波形很重要。对于ICP信号中的定点实现而言,FIR滤波器往往更可取。图4B显示了通过低通滤波器从ICP信号中去除高频噪声的影响(F s=128,F pass=10 Hz,F stop=15 Hz,A pass=1,A stop=50)。
数据处理:工件去除
ICP信号中的低频噪声可能被识别为嵌入信号本身较高频率中的伪影。这些伪影源自可能在常规护理期间发生的环境因素(例如,床角度的调整,患者的运动,咳嗽,传感器的移位,传感器的重新校准或连接错误)。工件还取决于设备的类型。例如,现代的实质内光纤传感器通常不需要“调零”,而外部心室引流管可能会被夹住或需要重新调平以提供准确的测量。图5中显示了工件的一些示例。
去除伪像:信号分解方法
经验模式分解(EMD)、小波变换和中值滤波之类的信号分解技术可用于恢复感兴趣信号的基础结构。ICP平均时间序列中的许多工件在视觉上被认为是高而尖的“尖峰”。因此,EMD被用作过滤器,以提取不同比例尺的可变性或可变性。EMD将平均ICP信号分解为几个固有模式函数(IMF)。IMF被定义为具有相同数量的零交叉和极值,并且还具有分别由局部最大值和最小值定义的对称包络的任何函数。基于此观察,具有大振荡的第一个IMF分量可能是伪像的有效指示。在一项使用EMD去除平均ICP信号中的伪影的研究中,EMD的平均准确度为82%,F评分为0.848。
使用Haar基函数,小波变换对平均ICP信号的突然变化敏感。基于Haar小波,将平均ICP信号转换为聚集能量,然后提取第一偏差,该偏差可作为伪影的指标。中值滤波器是一种非线性数字滤波器,可用于提取ICP信号中的趋势分量,而剩余分量可被视为伪影的有效指标。小波滤波器和中值滤波器在均方误差(MSE),相对绝对误差(RAE)和预测误差(FER)方面均优于EMD。另外,发现中值滤波方法在计算上更有效,因此对于在线或实时应用可能具有更大的潜力。
去除伪像:主要的ICP脉冲方法
主要的ICP脉冲是指通过框架提取的不同形态特征的聚类,例如ICP脉冲的形态聚类分析(MOCAIP)(44)。使用求平均过程来获得最大ICP脉冲波簇(称为主要ICP脉冲)的平均波形。占主导地位的ICP脉冲的好处之一是由于求平均过程而对伪像的影响,但是同时具有去除潜在有用信号的大片段的潜力。
如果波幅在1.0到35.0 mmHg之间,等待时间在0.08到0.4 s之间,则可以使用基于阈值的简单方法(TB)识别人工ICP脉冲。波动幅度是起始舒张期最小压力与收缩期最大压力之间的压力差,而波动潜伏期是压力从舒张期最小压力变为收缩期最大压力的时间间隔。
如果整个段都由噪声组成,则主要的脉冲峰值可能是伪像。因此,已经采用模板匹配(TM)方法引入了非人工ICP脉冲识别方法。构建了来自多个患者的非人工ICP脉冲的参考库。如果主脉冲与相关系数大于某个阈值的任何参考脉冲相关,则将其识别为非伪像。还引入了一种自识别方法,以处理参考库中排除的那些主脉冲。假定人为的主脉冲比非人为的主脉冲不相干。相干性可以定义为与平均脉冲相比脉冲之间的相关系数的平均值。
除TM方法外,还开发了一种ICP稳定性算法(IS),其中将主脉冲的振幅A i和持续时间D i与过去和将来三个脉冲的平均振幅A m和持续时间D m进行比较。
最近的一项研究利用主动学习(AL)框架,进一步增强了对非人工ICP信号的识别。AL是一种半监督学习方法,其中包含一个学习模型,该模型交互式生成数据,然后由专家对其进行标记。它为专家提供了一个有效的平台,可以使他们不再标记相似样品的较长片段。Cohen的Kappa统计量用于评估以下情况下的相似性:(1)由多个专家手动标记的数据集(2)分类为包括逻辑回归的AL模型中的标签,以及(3)由AL模型对未标记数据分类的标签。与基于现有阈值(0.5±0.02),基于模板机(0.71±0.04)和基于稳定性(0.51±0.036)的现有基于阈值的框架相比,基于AL的框架在接收器工作曲线(AUC)下的展示面积最大(0.96±0.012)方法。
数据处理:信号分割
信号分段是信号处理的基本工具,是指在进一步分析之前将信号划分为多个时期。ICP信号分段分为两类:(1)逐帧和(2)逐拍。前者通常用于提取平均ICP,通常将其定义为ICP峰值幅度的3-8 s移动平均值。逐帧信号分割对伪影和异常值敏感,因此需要移除或插值伪影,特别是为了提取嵌入在非人工脉冲中的形态特征。逐节拍分段意味着可以在其他信号(例如心电图,体积描记法或动脉血压(ABP)波形)的辅助下将原始ICP信号转换为主要ICP脉冲波形。
Hu等利用ECG QRS波检测技术,首先确定每个ECG拍。然后将ICP潜伏期定义为ECG的QRS峰值与ICP脉冲起始点之间的时间间隔。据报道,平均ICP延迟为72.6±19.5毫秒。通过将基于ECG QRS的ICP延迟提取算法和自适应峰值检测算法相结合,ICP脉冲检测算法的基线灵敏度为0.97,准确度为0.88。
其他人则使用ABP脉搏波信号,因为它们还携带有关心动周期(47)内搏动波形实时变化的信息。但是,这种方法可能会受到限制,因为ABP信号经常被需要对其进行预处理的一部分进行独立检测和去除的伪影污染。
第2层:来自ICP信号时间序列的信息
如上所述,平均ICP是指特定时间窗口内峰值幅度的平均值。ICP平均值是临床上通常用于指导治疗以降低ICP平均值(例如过度换气或甘露醇给药)。但是,平均ICP只是随时间推移从ICP信号生成的一项功能。ICP脉冲信号中包含的信息在复杂系统术语中通常可以分为四类:时域,频域,尺度不变特征和熵。与侧重于单个ICP波形特征的形态分析相反,跨预定时间窗口提取ICP信号时间序列信息。
信息:时域功能
时域信息是指信号幅度随时间的变化。“平均ICP”的临床使用是ICP脉冲信号随时间变化的时域特征的一个示例。其他形式的时域分析在1970年代很流行,例如峰-峰值脉冲压力幅度。最近,时域信息已用于提取多个特征,包括:统计摘要特征(最大值,平均值和标准偏差),协方差系数(类似于EEG分析中使用的特征)以及高阶时域特征,例如作为绝对差系数,自相关系数和即时ICP值。使用时域功能的强大之处在于它们存在于直观的功能空间中,可用于开发实时警报。例如,在将ICP转换为时域特征空间后,可以采用分层的高斯混合模型(hGMM)来基于后验概率开发新颖的警报功能。
ICP压力负担是时域中的一项功能,它结合了临床标准的平均ICP峰值特征和时间信息。可以将其定义为记录的平均ICP高于预定阈值,例如25 mmHg的平均每日持续时间。ICP压力负担也可以计算为超过预定阈值的“压力乘以时间剂量”(mmHg·h )。可替代地,可以使用几何方法来将压力负担定义为ICP中的时间加权高程,例如梯形方法。在这种方法中,平均ICP是通过对每个患者的ICP趋势线曲线的积分进行近似计算而得出的。然后,通过梯形法则计算AUC。然后,将AUC值除以整个监视时间的持续时间。计数方法可用于更高分辨率的数据,在一项研究中,使用强度与持续时间的关系图对每分钟的平均ICP进行可视化,并根据与基于组的结果之间的相关性进行颜色编码。观察到一种时间依赖性关系,其中在平均ICP较低的阈值上花费较长的时间,而在平均ICP较高的阈值上花费较短的时间增加了不良结果的可能性。
颅内压变异性(IPV)可以通过连续变异(SV)方法提取。SV是两个连续参数之间的平均ICP的平均差。SV1可以通过使用每小时的平均ICP值(X 1,X 2,X 3 …,X n)来计算;SV2定义为ICP连续两对数据的平均值(X21, X22,X23…,X2ñ2)来计算。在一项研究中,ICP-SV2与30天的功能预后相关。
时域特征还可以与时间窗口结合使用,以便在同一时间窗口内在ICP信号特征之间或ICP信号与其他生理参数之间创建移动平均相关系数。脑脊髓代偿储备(RAP,代表脉搏振幅A与脉压或ICP,P之间的相关性R)计算为ICP脉搏振幅之间的移动平均相关系数,定义为ICP脉动振幅的峰值之间的差ICP信号以及ICP信号的波谷和平均ICP在10 s窗口内平均。RAP可作为补偿储备的指标和神经系统恶化的预测指标。RAP值为0表示,随着脉冲幅度的增加,ICP不会增加,因为体积的变化不会导致颅内压的实质性变化。相反,当脉冲幅度与平均ICP一起增加时,就会出现较差的补偿储备,从而导致RAP接近于1。在压力-体积关系的最末端,由于自动调节能力的丧失,RAP变为-1,并且容器变得不受ICP升高引起的外部压缩的影响。尽管RAP可能有用,但它基于平均ICP的使用确实有局限性,它可能易于出错(如上所述),并且单独的脉冲幅度可能是更可靠的脑血容量和血脂临界变化的标志。
压力反应指数(PRx)是时域特征之间相关分析的另一种形式,并且经过了精心研究。PRx被计算为在5分钟的时间窗口内的动脉血压(ABP)信号的10秒平均值与ICP平均值之间的移动平均相关系数。PRx通过观察每个信号对缓慢的自发性变化的反应来量化脑血管反应性,并近似整体脑自动调节储备。负或接近零的PRx值表示保留的自动调节,而接近1的PRx值表示自动调节受损。随后可以将PRx相对于灌注压力作图,这证明了特征UICP监测中约60%的TBI患者的心形曲线。曲线的最低点表示CPR,PRx或自动调节能力在该CPP处得到优化。此最佳CPP因患者而异,但在对327例患者进行的回顾性研究中,平均最佳CPP为75 mmHg,高于建议的经验性CPP 60-70 mmHg的《脑创伤基金会指南》。此外,CPP值超出最佳值会导致更高的死亡率和残障率。
信息:频域功能
通常使用频谱分析或小波分析来计算频域特征。最初,使用诸如快速傅立叶变换(FFT)的算法将ICP信号从时域投影到频域。类似地,离散小波变换(DWT)基于不同的频带将波形划分为分量正弦波。使用DWT,ICP信号的高频重心已定义为ICP功率密度谱的4-15 Hz频带内的功率加权平均频率。发现高频重心频率的快速增加与颅内血肿扩大引起的恶化有关。所述基于域频率振幅(AMP)可以利用频谱分析被提取并且被示出,其中较高的AMP用降低脑遵守一种有效的度量。但是,当将信号从时域转换到频域时,基于频域的分析可能会丢失信息。Holm和Eide表明,如果存在心率变异性或高谐波失真,则频域方法可能会低估脉冲幅度。因此,就保持脉冲幅度而言,时域方法优于频域方法。
信息量表(分形)不变特征
尺度(分形)不变性是对象的一个特征,如果将长度,能量或其他变量的尺度乘以一个公因子,则它们不会改变,因此代表了普遍性。去趋势波动分析(DFA)描述了信号的二阶统计特性,这些特性可能反映了长存储过程,长距离相关性,分形缩放和不断发展的固有非平稳性。一项研究探索了两个基于DFA的ICP系数(即定标指数和截距)与6个月功能结局的关联,同时控制了初始神经系统检查。他们发现,在147名中度至重伤的TBI患者样本中,较低的DFA截距值和较高的缩放指数值与不良结局显着相关。类似地,在一项对30名重度TBI患者的研究中,缩放指数在颅内压升高期间已显着增加。缩放指数还可以与熵的度量组合以更好地反映ICP信号的复杂性。
信息:熵特征
熵是用于量化系统内的随机性、不可预测性或不规则性的概念。近似熵(ApEn)是最常用的熵计算,并且是其他熵的基准。ApEn是一系列参数和统计信息,可以量化数据的规律性,而无需任何有关生成它们的系统的任何先验知识。在一项研究中,在ICP升高(> 25 mmHg)5分钟或更短时间内,ICP信号的ApEn平均值降低了。引入样本熵(SampEn)作为对ApEn的改进,专门针对生理时间序列信号。与ApEn相比,SampEn解决了消除自匹配的问题,ApEn需要大量数据和更大的时间窗口,以免高估规则性。虽然尚未将SampEn用于ICP信号,但已使用称为多尺度熵(MSE)的修改形式。MSE通过在计算中考虑多个时间尺度来减弱SampEn的平稳性假设,因此在描述信号的复杂度方面,它比经典熵更稳定。例如,ApEn和SampEn由于其随机性而倾向于错误地将白噪声判断为具有较高的复杂度,而MSE则认为随机性的复杂度相对较低。因此,对于ICP等信号,MSE可能优于基于单尺度熵的分析。在一项研究中发现,ICP信号的MSE在预测功能神经学预后方面优于其他熵测量方法。在这项针对290名TBI范围广泛的患者的研究中,平均ICP的MSE降低与不良预后相关。
小波熵是基于小波子带能量分布的相对较新的熵。传统频谱估计很容易受到噪声和伪影的影响;因此,在小波熵的计算中增加了分段和加窗程序,并引入了相对小波熵(rWEn)来测量两个ICP信号之间的不相似性。表2说明了这四个熵的优点和局限性。
第2层:来自ICP形态的信息
三个ICP脉冲峰的构型变化可能是脑血管病理生理学的相关指标。例如,在临床实践中,经常在床旁检查ICP脉冲,并使用显性P2波来推断异常的脑顺应性。如前所述,形态特征的量化具有挑战性,迄今为止,这些局限性限制了ICP形态的临床实用性。
正如上面介绍的,形态学聚类和ICP脉冲的分析(MOCAIP)框架的开发是为了允许基于其形态的ICP波形的系统的量化和理解使用连续ICP波形应用。首次提出MOCIAP来识别非人工主导ICP,并在ICP脉冲中最佳指定三个亚峰。随后开发了一个自动且强大的系统,以提取实时ICP波形的形态特征。这些功能允许对ICP波形进行全面的定量表征,包括幅度,子峰之间的时间间隔,曲率,斜率和时间衰减常数。此方法已通过手动标记的数据集验证,三个子峰P1,P2和P3分别具有90.17%,87.56%和86.53%的精度。总共已经开发和验证了24个MOCAIP度量或功。
尽管通过使用主要的ICP聚类可以实现高精度,但是仅使用ECG信号的形态聚类可能会失去相对于其动脉输入的单个脉冲信号峰的特征。通过同时引入ABP信号,ICP脉冲形态可以由包括峰,谷和平坦点的界标来描绘。然后,基于规则和改进的K均值聚类算法可用于峰聚类。该算法成功地以令人满意的精度确定了ICP的三个区分峰:P1,P2和P3分别为95.3、87.8和87.5%。
由于伪像的出现,传统上ICP的形态分析在性能上受到限制。ICP信号的伪影和噪声可能会引入不必要的错误,并最终产生不可靠的数据以进行临床监测和管理。当前用于研究目的的形态特征提取技术需要手动去除伪影并访问ICP形态参考库,尽管新开发的AL框架和我们在此提出的类似数据分析框架可以缓解这些限制。尽管有人认为ICP工件占总数据的<10%,但ICP工件检测可能会限制时间,或为在线实施这些算法造成其他障碍。
第3层:ICP信号处理技术的建模和应用
ICP脉冲信号在神经监测中的应用已经描述了两个主要目标。短期目标是检测或预测ICP和其他继发性脑损伤模式的升高。长期目标是将ICP的新颖功能与临床结果联系起来,并使用这些信息基于这些预测来创建基于ICP信号的警报。未来的目标将需要集中在ICP特征与其他生理参数之间的耦合上,但是迄今为止,这些研究在很大程度上是探索性的,并且不在当前讨论范围之内。
颅内高压或继发性脑损伤,预测(IHP)使用称为前体的特征总是在ICP出现之前几分钟发生。相反,用于检测严重颅内高压(IHD)的功能在平均ICP升高的时间内。长期结果评估(LOE)主要利用统计模型(例如回归)来处理变量之间的关系以推断结果。长期结果预测(LOP)采用了可以从测试数据中学习的机器学习算法,从而无需基于规则的方法即可预测结果。LOE的输出是关系参数(例如,预测特征与长期结果之间的显着性水平;LOP强调预测模型的性能)。表3总结了ICP脉冲信号的应用和建模。
应用:颅内高压检测或预测
颅内高压(IH)由ICP升高定义,ICP升高可能会损害血流并因此导致继发性脑损伤。严重TBI后ICP的推荐治疗阈值高于22 mmHg,但尚不清楚个别阈值会损害脑组织和血流。通常在ICP发生预定时间后就以治疗干预为目标。由于压力时间ICP负担似乎与结果相关,因此IH检测和预测可能会导致更早的干预。
在IH中制定检测或预测问题取决于所选数据的定义,即IH前发作,IH发作或对照发作。一项研究中定义IH事件作为在一段至少5分钟(超过20毫米汞柱的平均ICP),而另一个使用ICP值超过30毫米汞柱持续至少10分钟。预IH发作通常以ICP高程(发病选择为5,10,15,和20分钟之前)。对照发作选自ICP升高至少1 h之前发生至少1次IH发作的患者,或未发作1次IH发作的患者。如果只有IH和控制发作进行比较,则问题将是IH检测,而IH预测比较预IH发作和IH事件。
从建模的角度来看,可以根据最终目标来区分这两种方法,即统计分析与机器学习以及其他人工智能算法。机器学习模型通常比统计模型涉及更多的解释变量或特征,而统计分析通常与重要性相关个别功能。机器学习模型侧重于使用大量功能的组合来优化预测能力。然后,通过比较实际标记和预测标记,通过准确性,灵敏度和AUC(接收器工作特性曲线下的面积)评估预测功率。标签通常由专家注释或基于临床过程或结果而已知。通常通过p来评估典型统计模型中各个特征的重要性。值或模型系数周围的置信区间,并且与解释(而非预测)相关联。假设检验用于检验有关总体的索赔的有效性。例如,零假设可能是IH发作和对照发作之间的特征(例如,复杂性)没有差异。较小的p值(通常≤0.05)表示有力的证据反对原假设。零假设被否定,可以得出结论,IH和对照组之间的复杂性有所不同。图6显示了这种区别的概述。
为了检测IH发作,一些模型已经证明了功能可以检测IH组和对照组之间的差异。WEn分析表明,IH发作在低小波频带(0-3.1 Hz)中比控制发作具有更多的聚焦能量。在IH发作和对照发作之间ApEn的增加被确定为统计学上显着的p<0.01。对照IH发作期,SampEn在IH期间被显著降低【(ICP=31.7±7.8毫米汞柱,SampEn=1.45±0.46,平均值± SD)vs(ICP=15.7±3.2毫米汞柱,SampEn=1.45±0.46; p=0.004)】。与对照组相比,在IH发作期间,由去趋势波动分析得出的比例指数α显着增加(α=1.02±0.22)(p<0.001)。
机器学习算法的发展已允许模型合并更多功能,以增强IH检测的预测能力。利用MOCAIP算法为单个ICP发作提取24个形态特征,然后使用全局优化算法确定这些形态特征的最佳子集。然后,引入了四种机器学习算法,频谱回归(SR),判别分析(DA),核谱回归(SR-KDA)和支持向量机(SVM),以减少传统基于阈值的技术产生的虚警率。与传统的基于阈值的方法相比,SR-KDA以85.9%的AUC达到了最佳性能,并将误报率降低了27%。在未标记的样本上使用SR-KDA和SVM的基于半监督学习的框架可将SR-KDA的FPR降低到9%(监督)和27%(半监督),分别降低到3%(监督)和16% (半监督)用于SVM(39)。最近,深度学习已被用来提取IH发作的特征。在MOCAIP数据上训练了三层卷积神经网络(CNN),并进行了3倍交叉验证。准确率达到87.19%(82)。使用自动编码器来重构用于预训练增强的功能,并将精度进一步提高到92.05%。
IH预测主要集中在形态特征(例如MOCAIP)的范围上。引入了带有粒子群优化(PSO)的二次分类器(QDC)模型,以定位特征子集的最佳组合。前10个MOCAIP指标达到了足够的准确性(0.77),特异性(0.75)和灵敏度(0.90),可以在ICP升高前5分钟预测IH。通过差分进化算法进一步选择MOCAIP功能,并通过正则二次鉴别器对控制事件与IH前事件进行分类。在ICP升高之前,性能已提高到0.99的特异性和0.37的灵敏度。在ICP升高之前最多20分钟,特异性得以保留,尽管灵敏度降低至21%(80)。为了进一步改进该算法,使用了向后顺序特征选择,然后使用了三种分类算法:多元线性回归(MLR),Adaboost分类器和Extra-Tree算法。Extra-Tree算法以ICP升高前1分钟的0.96 AUC,0.98特异性和0.93灵敏度以及ICP升高前9分钟的0.85 AUC,0.99特异性和0.70灵敏度达到了最佳性能(41)。
尽管没有信号方法是最佳的,但是可以从两个维度上概念化这些技术的优势和局限性:预测准确性和可解释的程度(图7)。
应用:长期结果评估或预测
如上所述,统计方法通常用于对ICP信号特征与TBI患者的长期预后之间的关系进行建模,通常基于描述功能预后的序数量表(例如格拉斯哥结果量表分数(GOS)或格拉斯哥结果)进行测量量表分数扩展(GOS-E)。增加的PRx,表示受损脑血管压力的反应性,已被证明是与差GOS患者TBI后相关联和GOS已经与的PRx在整个监测期间(平均二者p<0.002)或内前24小时(p<0.0001)。ICP时间序列的MSE达到统计学显着性,将患者分为两类结果:死亡/生存和不利/有利(F=28.7;p<0.0001和F=17.21;p<0.0001)。较高的F值表明变量在结果分层中的区分度更高。有趣的是,MSE是一个比PRx更重要的因素(死亡率p <0.0001;死亡率p <0.0001)(死亡率p=0.23;死亡率p=0.31)(75)。ICP压力时间剂量(mm Hg∙h)与出院GOS评分(有利/不利)显着相关,p=0.008 / p=0.038。压力负担也与功能和神经心理学结果较差的复合终点相关。
对于逻辑回归,GOS分数通常会转换为二进制响应变量,以简化有利结果(GOS 4和5)和不利结果(GOS 1、2或3)之间的分类问题。一项研究使用多重特征通过Logistic回归和5倍交叉验证评估与GOS相关的通用阈值,发现可以定义三个ICP阈值:PRx>0.2,ICP>20mmHg和ICP>25mmHg。在ICP> 20mmHg(AUC 0.75,95%CI 0.68-0.81)和ICP> 25mmHg(AUC 0.77,95%CI)时,PRx阈值具有最高的性能来预测GOS(AUC 0.81,95%CI 0.74–0.87) 0.70–0.83)。其他人对从高斯过程模型和PRx中提取的特征进行逻辑回归模型拟合,以预测死亡率,模型性能为0.74准确度,0.65特异性和0.83敏感性,尽管这种模型的临床实用性受到限制。值得注意的是,大多数研究并未考虑撤回维持生命疗法的临床决策的影响,这可能会导致分类差异。
使用临床预测变量的多元回归也已用于加强长期结果预测模型。Lu等使用年龄,GCS(格拉斯哥昏迷量表),PRx和MSE预测因子来预测患者的长期预后。使用二元反应变量,有利/不利的结果,平均准确性,敏感性和特异性分别为0.82±0.07、0.50±0.19和0.94±0.06。ICP的特征预测结果仅应结合临床参数进行评估,因为将ICP的独立影响与损伤严重程度对ICP升高及其治疗的影响进行区分至关重要。使用多个生理数据点(例如同时记录的脑组织氧浓度或局部脑血流)可能会提供更多的见解。
结论与未来工作
严重脑损伤患者的ICP测量和监测是神经重症监护的基础,尽管人们对ICP测量的实用性存在争议,但显然需要进一步研究以更好地理解ICP信号及其信号中包含的信息。在这篇综述中,我们提出了一个指导性框架,用于数据挖掘和ICP波形信号的应用。数据处理层用于提供ICP信号过滤和分析。信息层生成用来提取区分信息或相关信息的特征。最后,应用程序层可以将特征和信息建模并映射到诸如颅内高压或长期功能预后的监测中。
神经重症监护中的信号处理和数据科学正在迅速发展。在过去的10到15年中,已经开发了基于ICP的自动调节指标,已经改进了ICP的自动提取形态,并且为临床相关结果开发了预测模型。但是,ICP的使用受到几个限制,即:(1)在临床ICP的监测和管理中尚未施行实时或在线评估和预测。(2)逐帧分割的ICP信号中包含的信息需要进一步验证和临床的关联性;(3)需要优先考虑特定的形态特征以最大化模型拟合并允许在线临床使用;(4)伪像检测,需要对去除和归因进行标准化,以便对ICP波形进行系统的研究,促进一致的在线监控以及强大的机器学习算法开发;(5)需要使用具有可靠版本控制和定期重新评估的开源平台完善模型开发和算法构建。
ICP监测作为一个系统工程,可以受益于计算机科学和工程学的进步。物联网、互联网的发展,大数据技术和CPS(网络-物理系统)将改变我们实时监测脑功能的能力。