ビジョントランスフォーマーによる教師あり深層学習は、限られた誘導EEGを使用してせん妄を予測します

Scientific Reports volume 13、記事番号: 7890 (2023) この記事を引用

2420 アクセス

4 オルトメトリック

メトリクスの詳細

重症患者の 80% がせん妄を発症し、施設への入院の必要性が高まり、罹患率と死亡率が高くなります。 臨床医が検証済みのスクリーニングツールを使用した場合、せん妄を検出するのは 40% 未満です。 EEG が基準基準ですが、リソースを大量に消費するため、広範なせん妄モニタリングには現実的ではありません。 この研究では、せん妄を予測するための限定誘導高速応答脳波計とビジョントランスフォーマーによる教師あり深層学習法の使用を評価しました。 この概念実証研究では、前向きデザインを使用して、人工呼吸器を装着している重症高齢者のせん妄を予測するためのビジョントランスフォーマーと高速応答EEGデバイスによる教師ありディープラーニングの使用を評価しました。 15 の異なるモデルが分析されました。 利用可能なすべてのデータを使用して、ビジョン トランスフォーマー モデルは、モデル全体で 99.9% 以上のトレーニングと 97% のテスト精度を実現しました。 高速応答EEGを備えたビジョントランスフォーマーは、せん妄を予測できます。 このようなモニタリングは、重症の高齢者でも実行可能である。 したがって、この方法はせん妄検出の精度を向上させ、個別の介入の機会を増やす大きな可能性を秘めています。 このようなアプローチにより、入院期間が短縮され、自宅への退院が増加し、死亡率が減少し、せん妄に伴う経済的負担が軽減される可能性があります。

せん妄は、思考の混乱や意識レベルの変化など、全体的な認知機能の変化によって現れる急性症候群です1。 せん妄は重篤な高齢者の 80% に発生し、長期的な認知転帰の悪化と関連しています 2,3。 20 年以上にわたり、少なくとも 10 の国内および国際的な医療専門家組織が、日常的なせん妄スクリーニングを臨床診療ガイドラインに組み込みました 4,5,6。 これらの推奨事項と 40 を超える検証済みのスクリーニングツールが利用可能であるにもかかわらず、せん妄のスクリーニングを定期的に行っていると報告している臨床医は 10% 未満です4,7。 ICU環境では、昏睡状態や深い鎮静状態にある患者など、多くの患者がせん妄スクリーニングに参加できないため、検査ができません。 これらのツールが使用された場合でも、せん妄を認識することは依然として困難であるため、過少診断や過小治療が行われることがよくあります。 せん妄の期間と重症度が増すにつれて、治療はますます困難になります。 その結果、せん妄は 1 年間で患者 1 人あたり 44,000 ドル以上の経済的負担の増加につながり、世界的な公衆衛生危機となっています8。

脳波 (EEG) は、脳の状態を説明する情報を含む代表的な信号です。 図 1 に示すように、EEG 波形の形状、振幅、振動速度は状態を説明し、診断に役立ちます。せん妄検出のための EEG の使用は 1940 年代に初めて確認されました。 ロマーノとエンゲルは、せん妄が存在する場合、睡眠時間が増加すると脳波が遅くなり、覚醒波が減少することを確認しました9,10。 したがって、せん妄は、脳波を使用して神経活動の変化を検査することによって確実に識別されています。 残念なことに、技術的なセットアップに関連する多大な費用と専門家による分析の必要性により、臨床環境におけるせん妄の検出にEEGを使用することはできません11,12。

私たちの作業パイプライン。

ステップ 1 データからサブセットを抽出します。各サブセットには t 秒のレコードがあります。 これらのサブセットをトレーニング/テスト セットに分割します。

ステップ 2 サブセットを「画像」に変換します (*)。

ステップ 3 これらの「画像」を使用して ViT モデルにフィードします。

最近では、機械学習などの高速応答分析手法でプログラムされた、従来の EEG と同等の記録精度を備えたユーザーフレンドリーなハンドヘルド EEG デバイスが利用可能になりました 13。 これらのデバイスは、セットアップに最大 1 時間かかり、特別な訓練を受けたスタッフを必要とする従来の EEG とは異なり、トレーニングが限られている人でも誰でも迅速にセットアップできるため、数分以内に迅速な EEG データ (つまり、迅速な応答 EEG) を提供します。 EEG波形を評価するには、コンピュータベースの統計アルゴリズムを使用して信号パラメータが抽出および分析されます。 たとえば、非線形時系列分析は、脳信号の動的な性質と変動性についての洞察を提供します14。 正確な予測検出が可能なアルゴリズムの開発により、新しい EEG デバイスは、臨床医のせん妄検出をサポートする実行可能な生理学的方法を提供する可能性があります。

現在の研究と実践で最も広く使用されている機械学習手法は、教師あり機械学習と呼ばれるもので、グラウンド トゥルースは研究者に既知であり、トレーニング データセット内でラベル付けされます。 洗練されたディープ ニューラル ネットワークは、現実世界のシナリオにおける特定の学習タスクのニーズに合わせて採用され、最適化されることがよくあります。 ディープラーニングベースのアプローチは、予測精度において従来の統計的機械学習アルゴリズムよりも優れていることがよくありますが、そのブラックボックスの性質により、モデルを医療分野で使用するのが非実用的になることがよくあります。 多くの場合、深層学習アルゴリズムによって決定が行われた理由または方法を説明するために、追加のモジュールが必要になります。

この研究で使用された教師あり深層学習モデルは、Vision Transformer (ViT)15、16、17 でした。 ViT モデルは、自然言語処理 (NLP) の分野に革命をもたらした最先端の Transformer アーキテクチャを活用しました。 EEG データは通常、本質的に連続的なものであることに注意してください。 したがって、BERT18 や Fractional Dynamics Foster Deep Learning などの逐次モデルが文献で頻繁に適用されました。 ただし、表形式の EEG データはさまざまな周波数の波の組み合わせで構成されているため、従来の逐次アプローチの効果は低くなります 19。 波形イメージ形式の EEG データには、時間データと視覚パターンの両方が含まれています。 ViT は、コンピューター ビジョン関連の問題で優れたパフォーマンスを発揮するため、最近の画像分類タスクに適用され、従来の CNN ベースのフレームワークと比べてパフォーマンスの向上が見られています20。 この研究では、ViT を使用して EEG データからインテリジェンスを取得する方法を調査します。 時間領域の波形画像形式で ViT を適用する方が、周波数領域で ViT を適用するよりもはるかに優れていることを示します。

変換モデルを画像分類タスクで機能させるための中心となるアイデアは、画像を \(n \times n\) 個のサブ画像の行列にスライスすることです。 これらのサブ画像は連続データとして扱われるため、セルフ アテンション メカニズムを適用してサブ画像のペア間の関係を測定できます。 ViT の利点は、時間情報だけでなく空間情報も維持できることです。 EEG データは連続的で空間的な関係があるため、ViT はこの分析にとって理想的なモデルになります。 この論文では、Vision Transformer を使用した機械学習が、最小限のリスクと低コストでせん妄を検出するための電子的手段としてどのように機能するかについて説明します。

これは、すべての大脳葉からのデータを提供する高速応答EEGデバイスと教師あり深層学習法（Vision Transformer）を使用して、重症患者のせん妄の有無をEEGで評価する初の前向き概念実証パイロット研究です。

この研究 (UMCIRB 17-001900 MIND) は、2018 年 3 月 13 日にイーストカロライナ・ヴィダント医療センター治験審査委員会 (UMCIRB) によって審査され、承認されました。研究活動の前に、参加者の法的に権限を与えられた代表者から書面によるインフォームドコンセントが得られました。 すべての研究手順は、UMCIRB IRB と 1975 年のヘルシンキ宣言によって設定された倫理基準に従って実施されました。

この研究のプロトコルは以前に RINAH21 で発表されました。 簡単に説明すると、2019年3月から2020年3月にかけて、ノースカロライナ州にある大規模な田舎の学術医療センターにある3つの集中治療室（心臓、内科、外科のICU）から、包含基準と除外基準を満たす患者が集められた。参加者は全員50歳以上であった。英語を話す人で、法的に権限を与えられた代理人から書面によるインフォームドコンセントが得られた人で、12 時間以上人工呼吸器を必要とした人。 除外基準には、急性脳損傷、発作、またはせん妄スクリーニングへの参加を妨げる症状が含まれた。 参加者は自己同意することができないため、登録前に法的に権限を与えられた代表者から同意を得ました。

毎日、患者は、Richmond Agitation Sedation Scale (RASS) を使用して決定されるせん妄スクリーニングに参加する能力について評価されました 22,23。 RASS は、優れた評価者間信頼性 (r = 0.956、90% 信頼限界の下限 = 0.948; κ = 0.73、95% 信頼区間 = 0.71、 0.75)22、23。 RASS スコアが -2 以上（声を出すまで 10 秒以上目を開けることができる）は適格性を満たしました。

人口統計学的および臨床的特徴は電子医療記録 (EMR) から取得されました。

集中治療室の混乱評価法 (CAM-ICU) は、ICU で人工呼吸器を装着されている非言語的患者を評価するために開発された CAM の改良版です 24,25。 CAM-ICU は、せん妄識別のゴールドスタンダードである精神障害診断および統計マニュアル IV (DSM-IV) と、救命救急医学会 (SCCM) によって使用が推奨されている 2 つのせん妄スクリーニング ツールのうちの 1 つに基づいています。 4,26。 CAM-ICU では、(a) 過去 24 時間以内の精神状態の急性発症または変動、(b) 不注意、(c) 意識レベルの変化を含むせん妄の 4 つの主要な特徴を特定するために患者の参加が求められています [リッチモンド興奮鎮静スケール] (RASS) ≠ 0]、および (d) まとまりのない思考 24,25。 研究で使用される場合、CAM-ICU は感度と特異度がそれぞれ 93% と 98% と高く、評価者間信頼性も k.0.79 と高くなります。

頭部を囲む即応性脳波ヘッドバンドが各参加者に毎日適用されました。 配置の精度は、額の中央にあるヘッドバンドの留め具の位置に基づいており、電極には 1 ～ 10 の番号が付けられており、ヘッドバンドは後頭部の髪の生え際でレコーダーに接続されており、EEG 波形は EEG レコーダーで即座に視覚化され、レコーダーは、ヘッドバンドの色分けされた図 (緑 = 低インピーダンス/赤 = 高インピーダンス) を使用して、接続の品質 (インピーダンスなど) を識別します。 EEG モニタリングは、4 日間または ICU 退院後、毎晩午後 5 時から午後 9 時（17:00 ～ 21:00）までの 2 時間実施されました。 1 時間の脳波モニタリングの後、研究チームは ICU の混乱評価法 (CAM-ICU) を使用して参加者をせん妄について評価しました。 CAM-ICU を使用してせん妄陽性とみなされるには、参加者はベースラインの精神状態の急激な変化、不注意の発現、意識レベルの変化または混乱した思考のいずれかを含む、せん妄の中核的要素のうち少なくとも 3 つを満たしている必要があります。

分析前に、EEG データが処理されて、顔の筋肉の動きや、人工呼吸器や心臓モニターなどの近くの機器からの干渉などのアーチファクトが除去されました。 これを行うには、フィルターを使用して高周波と低周波が除去されます。 次に、データは生理学的ノイズを推定するために再参照され、エポックと呼ばれる複数の離散的な期間に分割されます。 前処理後、EEG データは個別成分分析 (IDA) を使用してさらに「クリーン化」され、ノイズが除去され、機械学習アルゴリズムに必要な特徴が生成されます。 成分分析は、皮質プロセスに由来するデータからアーティファクトを分離することでデータをクリーンにする方法として広く受け入れられています 14,27。 高次統計を使用した独立成分分析の利点は、データの独立成分を直接調べることによってアーチファクトを簡単に減算できることです。

EEG 解析手法は研究ごとに異なります。 したがって、これらのデータを分析するために、最初は従来の機械学習手法と 3 つの機械学習手法の両方が使用されました。具体的には、ランダム フォレスト (一連の決定木)、段階的線形判別分析 (データの分類に役立たない変数の除去、この場合はせん妄 -/せん妄 +) です。 、およびサポート ベクター マシン (コンピュータは、カテゴリ間の最大の違いを提供するモデルを構築します。この場合、delirium-/delirium+)。 特徴選択には課題があるため、この分析では主に教師あり深層学習手法、つまり Vision Transformer が使用されました。 多くの深層学習アプリケーションでは、ディープ ニューラル ネットワークが入力データから直接これらの微妙な特徴を学習できるため、高度なデータ処理技術や特徴エンジニアリングが必要ないことがよくあります。 したがって、2 種類のデータが研究されました。 最初のタイプの入力データは前処理 (筋肉の動きとデバイスの干渉の除去) と IDA クリーニングが行われ、2 番目のタイプの入力データは IDA クリーニングなしで前処理のみを受けました。 データは EEG デバイスから 4 ミリ秒ごとに抽出され、各データ サンプルには 8 つのセンサーの読み取り値が含まれています。

連続した数のデータ行は、 \(8 \times n\) 配列であるデータ スライスに編成されます。ここで、 \(n\) は行数を表します。 これらの配列は、図 2 に示すように、双線形補間を使用して \(224 \times 224\) にサイズ変更され、ViT モデルに入力する画像として扱われます。

実験の混同行列。

私たちの主な目的は、分類結果に最も影響を与える波画像内の周波数範囲を特定することでした。 私たちの仮定は、画像セグメントに特定の周波数の波の完全なサイクルが含まれていない場合、この周波数の影響が分類結果において重要になる可能性は低いということです。 データ スライスの長さを制御すると、画像に含まれる周波数の範囲を制御できます。 たとえば、\(n = 25\) の場合、その波形イメージのタイム スパンは \(0.1s\) で、対応する周波数は \(f > 10\,\text{Hz}\) です。 つまり、 \(n\) は画像に含まれる最低周波数を決定します。 さまざまな位相での部分周波数の影響を調査し、データ サイズを増やすために、重複するセグメントで波形画像を分割しました。 このような処理は、異なる周波数の波の関係をよりよく反映することができます。

結果がスライスのサイズとどのように関係しているかを理解するために、25 行 (0.1 秒)、125 行 (0.5 秒)、250 行 (1 秒)、400 行 (1.6 秒) の 5 つの異なる長さが選択されました。 1250 行 (5 秒)。 母集団のサイズが小さいため、データはオーバーラップ ウィンドウ スキームを使用して拡張されます。このスキームでは、次のデータ スライスの開始行が、現在のデータ スライスの最後の行の後ではなく、現在のデータ スライス内のどこかに配置されます。 1 秒 (250 行) の 30% が重複するデータ スライスの例を図 3 に示します。EEG 研究に関連する信号には、アルファ (8 ～ 12 Hz)、ベータ (15 ～ 30 Hz)、デルタ (0.5 ～ 3 Hz) が含まれます。 Hz)、ガンマ波 (> 30 Hz)、およびシータ波 (4 ～ 7 Hz)。 \(T\) を使用して各データ スライスのタイム スパンを表す場合、画像が検出できる頻度は \(f = \frac{1}{T}\) になります。 この研究では、\(T = 0.1s\) の場合、検出できる最も高い最小周波数は \(10\,\,\text{Hz}\) であり、検出できる最も低い最小周波数は \(0.2\, \,\text{Hz}\)、\(T = 5s\) の場合。 データ スライスはテスト セットとトレーニング セットにランダムに分割されますが、1 つの被験者からのすべてのデータが 1 つの (トレーニング + テスト) セットに入るのは避けられます。 トレーニング セットとテスト セットの両方における陽性ケースと陰性ケースは比較的バランスが取れており、比率は 1 に近くなります。

比較実験で周波数領域でトレーニングされたモデルの動作パイプライン。

この研究では、モデルのデフォルトのハイパーパラメータ (バッチ サイズ = 64、学習率 = 0.001、深さ = 12、ヘッド = 8) が使用されました。 75%、90%、および 95% の重複率が研究されました。 これらの異なるオーバーラップ率の間に大きな違いは発見されなかったため、結果を報告するために 90% のウィンドウ オーバーラップ率が使用されました。 ViT モデルを使用すると、EGG データは非常に早く収束します。 ほとんどの状況で、トレーニングの精度はわずか 3 エポックで 99% 以上を達成しました。 過学習を避けるために、5 エポック後にトレーニングされたモデルを使用してテスト データセットを評価しました。

トランスベースの言語モデルではなく、トランスベースの CV モデルである ViT を使用する理由は、データが異なる周波数の波の混合物であるためです。 波が周期的に繰り返されることを考えると、特定の周波数の少なくとも 1 つの完全なサイクルを含む画像セグメントは、そのデータを分析するのに十分な情報を提供しない可能性があります。 この研究では、さまざまな周波数の波の集合を含む画像セグメントを調査しました。 EEG データは波画像形式で表示されるのが最適であるため、Transformer ベースの NLP モデルは EEG 波画像の分析に最適なモデルではありません。 そのため、データ分析には Transformer ではなく ViT を採用することにしました。

また、高速フーリエ変換 (FFT) などの変換技術を介して時系列データをスペクトル画像に変換するのが慣例であることにも注意してください。 私たちは、このような変換は ViT モデルにはあま​​り適していないと主張します。 この作業では、プロセスに FFT を追加した場合の効果も調査しました。 ワークフローを図 3 に示します。

EEG データ分析における ViT モデルの価値をより深く理解するために、バイナリ分類タスクを実行するために公開データセット 28 も使用されました。 データスライスは1250行とし、重複率は90%とした。 このモデルは 86.33% のテスト精度を達成しました。これは、精度 80.03% の最先端アルゴリズム SleepEEGNet よりも優れています。 パイロット結果は、ViT が既存のアルゴリズムよりも EEG データの分析に適していることを示しています。

ViT モデルのパフォーマンスを評価するために、15 の異なる処理 (5 データ スライス サイズ \(\times\) 3 重複率) が使用されました。 重複率は精度の結果に影響を及ぼさないため、\(over\;lapping\; rate = 90\%\) の結果のみが報告されました。表 1 を参照してください。

データ スライスのサイズが 1250 行 (5 秒) の場合、モデルは最高のテスト精度 97.58% に達しました。 図 4 は、予測精度に対するデータ スライスの影響を示しています。

比較実験の混同行列。左側の部分は周波数領域でトレーニングされたモデルの行列を示し、右側の部分は時間領域でトレーニングされたモデルの行列を示します。

データ スライスが 25 行程度の場合、\(10\;{\text{Hz}}\) よりも高い波の完全なサイクルが含まれます。 予測精度はわずか 51.86% であり、ViT がデータから有用な情報を何も学習していないことを示唆しています。 悪い結果は、せん妄を予測する際に、より高い周波数の波がそれほど重要ではないことを示唆している可能性があります。 また、データ スライドのサイズが小さすぎて \(224 \times 224\) の画像にサイズ変更できないことも考えられます。 データ スライスに少なくとも \(2 \;{\text{Hz}}\) 波の完全なサイクル (0.5 秒、または 125 行) が含まれている場合、精度は 72.82% に増加しました。 データ スライスに少なくとも \(1 \;{\text{Hz}}\) 波の全サイクル (1 秒、または 250 行) が含まれている場合、精度はさらに約 95% まで向上します。 より良い結果は、より低い周波数の波に関連付けられます。 デルタ波などの長波信号が本当にせん妄の予測因子であるかどうかを完全に理解するには、さらなる調査が必要です。 ほとんどの実験では、モデルは 3 つのエポックで収束しました。 精度はエポック 6 からエポック 10 まで改善されませんでした。

周波数領域でのEEGデータの分析結果を調べるために、その混同行列を時間領域のデータと比較しました。 実験パラメータは \(t = 5s\)、\(overlapping\; rate = 50\%\)、エポックは 4 に設定されました。図 4 は、この対照的な研究の結果を示しています。 これは、時間領域でのモデルのパフォーマンスが周波数領域でのパフォーマンスを上回ることを示しています。 これらの発見は私たちの議論と一致しており、波形画像形式でEEGデータを分析するためのViTモデルの領域と選択における特徴抽出アプローチの有効性をさらに裏付けています。

ViT は IDA を使用してクリーンアップされたデータで良好に機能したため、ViT は IDA でクリーンアップされていないデータセットに対して良好な予測結果を提供するだろうかという疑問が生じます。 この質問に答えるために、結果を評価するために、クリーンアップされていないデータも ViT モデルに供給されました。 1250 個のデータ スライスが、90% の重複率で選択されました。 驚いたことに、トレーニングとテストの精度は両方とも 99.99% 以上に達しました。 これは、ViT のような深層学習技術では、おそらく優れた結果を達成するために追加の特徴エンジニアリング技術を必要としないことを示唆している可能性があります。 データセットが小さいため、そのような主張をするのは時期尚早です。 この仮説を検証するには追加の研究が必要です。

研究者らによって収集されたデータセットはわずか 12 人の被験者に限定されており、せん妄の予測にのみ使用されました。 他のEEGデータセットについてはどうですか? ViT が依然として適用可能かどうかを理解するために、別の実験を行いました。 また、バイナリ分類タスクを実行するために、公開 EEG データ セット 28 に ViT を適用しました。 1250 ポイントのウィンドウ サイズの下で、モデルは 86.33% のテスト精度に達しました。

これは、大脳のすべての葉からのデータを提供する10電極高速応答EEGデバイス、教師ありディープラーニング、およびViTを使用して、せん妄の有無についてEEGを評価する初の前向きパイロット研究です。 このパイロットでは、医療、外科、心臓の ICU 全体で、重症の高齢者に対してそのようなモニタリングが実行可能であることが確立されました。 主な発見は、教師あり深層学習と ViT プラットフォームを使用して、EEG の識別可能な特徴に基づいて患者をせん妄陽性またはせん妄陰性として正確に分類し、せん妄の存在を予測したことです。 これらの結果は、3 つの機械学習方法を使用して再現されました。教師あり学習方法には、段階的線形判別分析とサポート ベクター マシンが含まれ、教師あり深層学習は ViT を使用して実行されました。 さまざまな機械学習および前処理方法を使用した以前の研究と比較して、上記のハイパーパラメーターを使用した ViT モデルはより高い精度を提供しました。 たとえば、van Sleuwen と Sun29 は、3 チャネル限定リード デバイスを使用して、混乱評価法 - 重症度スコアを使用して生理学的に基づいた方法を測定しました。 3 つのチャネルまたは波形を取得するために、彼らは 4 電極正面モンタージュから得られた 6 秒の EEG ストリップを使用しました。 このモンタージュをせん妄患者 252 名とせん妄患者 121 名に使用したところ、ROC 曲線で 0.63 ～ 0.73 の精度が得られました。これは、モデルがモデルの考えられるすべての判定しきい値に対して真陽性の 63 ～ 70% を正確に予測したことを意味します。 同様に、山梨氏と梶谷氏 30 は、2 つのチャネルを備えたバイスペクトル EEG を使用して 63 ～ 76% の AUC を取得することができました。 その結果、彼らは、さらなる研究では、このパイロット研究で使用されたもののような深層学習モデルから恩恵を受ける可能性があると推奨しました。

このハンドヘルド高速応答 EEG の利点は、現在利用可能なベッドサイド スクリーニング方法と比較してその客観性です。 さらに、この方法は、救命救急病棟でのせん妄のスクリーニングに必要なような大量の集団スクリーニングを制限することが多い電極配置のための大型の脳波計や専門技術者の使用を必要としません。 迅速応答 EEG は、忙しい病院スタッフでも最小限のトレーニングで簡単に使用できます。 ここで説明するような事前にプログラムされたアルゴリズムを使用すると、従来の EEG を使用する場合に必要とされる熟練した解釈の必要性が制限されます。 したがって、この検出方法は、ベッドサイドスクリーニングに関連する主観性や結果の合理化によって制限されません。

上記で使用した ViT モデルは満足のいくパフォーマンスを備えていますが、予測を改善する余地はまだあります。 たとえば、このタイプの分析で通常使用される 1 ～ 5 秒のウィンドウの代わりに 10 ～ 60 秒のウィンドウを使用すると、より多くのデータ ポイントが提供された可能性があります。 前処理段階で、私たちの研究ではシーケンス抽出を使用しました。つまり、サンプルは時系列の順序で有限の長さで取得されます。 一定の補正または補間 (不良なリード電極から得られたデータを削除する) により、よりクリーンなデータセットを分析に提供できる可能性があります。

この研究の限界には、CAM-ICU によって決定されたモニタリング期間中に 7 人がせん妄を経験した 13 人の参加者という少数のサンプルが含まれます。 EEGの変化は症状の発症前に発生するため、参加者の中にはベッドサイドスクリーニング（CAM-ICU）では検出されなかった亜症候性せん妄がEEGでは検出された可能性がある。 せん妄の評価は臨床医の評価を使用するのではなく、研究者によって実施され、せん妄の状態についてより高い信頼性が得られました。 さまざまな病因や薬剤曝露によるサンプルの不均一性により、一部の患者において一部の脳波変化が他の変化よりも強く反映され、一般化可能性が最小限に抑えられる可能性があります。 この研究には限界がありますが、すべての分析方法 (頻度比、教師あり学習、深層学習) で一貫した結果が得られており、結果を裏付けるものとなっています。

この分析では、サンプルが少ないため、データ量が限られているという制約の下で、EEG データを分析するために ViT モデルをトレーニングしました。 前処理に配列抽出法を使用しているにもかかわらず、97% の精度は、臨床医による CAM-ICU 評価の約 40% の精度よりも大幅に優れています。 したがって、この方法はせん妄検出の精度を向上させる大きな可能性を秘めており、個別の介入を実施および評価する機会が大きくなります。 施設への収容の必要性や高い死亡率など、予後不良に関連する脳機能障害を早期に検出できれば、可逆的な原因​​を特定し、早期介入と綿密なモニタリングを行って予防可能な合併症を回避することが可能になります。 せん妄を検出するための生理学的方法があれば、せん妄が治療しやすい場合に介入を行う機会が得られる可能性がある。介入が早ければ、入院期間が短縮され、患者が退院後に帰宅できる可能性が高まり、死亡率が減少し、経済的負担が軽減される可能性がある。せん妄に伴う負担。

現在の研究中に生成および/または分析されたデータセットは一般に公開されていませんが、合理的な要求に応じて責任著者から入手できます。

アメリカ精神医学会。 精神障害の診断と統計マニュアル: DSM-5 (アメリカ精神医学会、2013)。

Google Scholar を予約する

バシャール、FR 他。 ARDS およびせん妄を患う非常に長期の ICU 滞在患者における ICU 後の精神的罹患率。 J.クリット。 Care 43、88–94 (2018)。

論文 PubMed Google Scholar

マサチューセッツ州マルキーら。 病態生理学レビュー: せん妄に関連する 7 つの神経伝達物質。 クリン。 看護師仕様 32(4)、195–211 (2018)。

論文 PubMed Google Scholar

デブリン、JW et al. ICU の成人患者における疼痛、興奮/鎮静、せん妄、無動、睡眠障害の予防と管理のための臨床診療ガイドライン。 クリティカル。 ケアメッド。 46(9)、e825–e873 (2018)。

論文 PubMed Google Scholar

National Institute for Health and Care Excellence: 臨床ガイドライン、複雑な精神病を持つ成人のリハビリテーション。 2020 年、National Institute for Health and Care Excellence (英国) Copyright © NICE 2020.: London.

アメリカ老年医学会。 米国老年医学会は、高齢者の術後せん妄に関する臨床診療ガイドラインを要約しました。 混雑する。 ジェリアトル。 社会 63(1)、142–150 (2015)。

記事 Google Scholar

ハンター、A.ら。 新しい QEEG 技術を使用した集中治療室におけるせん妄スクリーニング: パイロット研究。 AIMS 神経科学。 7(1)、1–16 (2020)。

記事 PubMed PubMed Central Google Scholar

剛、RY 他大規模な予定的手術を受ける高齢患者のせん妄に関連する 1 年間の医療費。 JAMA Surg. 156、430–442 (2021)。

論文 PubMed Google Scholar

エンゲル、GL & ロマーノ、J. デリリウム: Ii. 実験手順による脳波の可逆性。 アーチ。 ニューロール。 精神医学 51(4)、378–392 (1944)。

記事 Google Scholar

Romano, J. & Engel, GL せん妄: I. 脳波データ。 アーチ。 ニューロール。 精神医学 51(4)、356–377 (1944)。

記事 Google Scholar

ファン・デル・コーイ、AW 他 EEG を使用したせん妄の検出: 何をどのように測定するか。 チェスト 147(1)、94–101 (2015)。

論文 PubMed Google Scholar

マサチューセッツ州マルキーら。 高速ハンドヘルド持続脳波 (EEG) は、高齢者のせん妄を検出できる可能性があります。 寸法。 クリティカル。 介護看護師さん。 41(1)、29–35 (2022)。

記事 PubMed PubMed Central Google Scholar

Kamousi, B. et al. 高速応答 EEG と従来の臨床 EEG システムで記録された信号の品質を比較します。 クリン。 神経生理学。 練習してください。 4、69–75 (2019)。

記事 PubMed PubMed Central Google Scholar

Kannathal、N. et al. EEG の特性評価 - 比較研究。 計算します。 メソッド プログラム Biomed。 80(1)、17–23 (2005)。

論文 CAS PubMed Google Scholar

Dosovitskiy, A. 他、「画像は 16x16 ワードの価値がある: 大規模な画像認識のためのトランスフォーマー」。 arXiv プレプリント arXiv:2010.11929、2020。

Vaswani、A.、他。 必要なのは注意力だけです。 神経情報処理システムの進歩。 2017年。

Kostas, D.、Aroca-Ouellette, S. & Rudzicz, F. BENDR: 変換器と対照的な自己教師あり学習タスクを使用して、大量の EEG データから学習します。 フロント。 ハム。 神経科学。 15、653659 (2021)。

記事 PubMed PubMed Central Google Scholar

Acheampong, FA、Nunoo-Mensah, H. & Chen, W. テキストベースの感情検出のためのトランスフォーマー モデル: BERT ベースのアプローチのレビュー。 アーティフ。 知性。 改訂 54(8)、5789–5829 (2021)。

記事 Google Scholar

イン、C.ら。 フラクショナルダイナミクスは、COPD ステージ予測のディープラーニングを促進します。 上級科学。 10、2203485 (2023)。

記事 Google Scholar

Xue、F.ら。 堅牢な表情認識のための注意深いプーリングを備えたビジョン トランスフォーマー。 IEEEトランス。 影響する。 計算します。 （2022年）。

マサチューセッツ州マルキーら。 せん妄を特定する方法: 研究プロトコル。 解像度看護師さん。 ヘルス 42(4)、246–255 (2019)。

論文 PubMed Google Scholar

セスラー、CN 他。 リッチモンド興奮鎮静スケール: 成人集中治療室患者における有効性と信頼性。 午前。 Ｊ．レスピア． クリティカル。 ケアメッド。 166(10)、1338–1344 (2002)。

論文 PubMed Google Scholar

セスラー、CN 他。 ICU 医療集団における新しい興奮鎮静スケールの有効性と信頼性。 チェスト 118 (補足 4)、95S (2000)。

Google スカラー

イーリー、EWら。 人工呼吸器患者のせん妄: 集中治療室 (CAM-ICU) の混乱評価法の有効性と信頼性。 JAMA 286(21)、2703–2710 (2001)。

論文 CAS PubMed Google Scholar

イーリー、EWら。 重症患者におけるせん妄の評価: 集中治療室 (CAM-ICU) の混乱評価法の検証。 クリティカル。 ケアメッド。 29(7)、1370–1379 (2001)。

論文 CAS PubMed Google Scholar

アメリカ精神医学会。 精神障害の診断と統計マニュアル: DSM-IV、第 4 版 [改訂版] (アメリカ精神医学会、1998 年)。

Google スカラー

Delorme, A.、Sejnowski, T.、Makeig, S. 高次統計と独立成分分析を使用した、EEG データ内のアーチファクトの検出の強化。 ニューロイメージ 34(4)、1443–1449 (2007)。

論文 PubMed Google Scholar

アラバマ州ゴールドバーガーら。 PhysioBank、PhysioToolkit、および PhysioNet: 複雑な生理学的信号に関する新しい研究リソースのコンポーネント。 回覧 101(23)、e215–e220 (2000)。

論文 CAS PubMed Google Scholar

van Sleuwen、M. 他せん妄重症度の生理学的評価：脳波錯乱評価法重症度スコア（E-CAM-S）。 クリティカル。 ケアメッド。 50(1)、e11–e19 (2022)。

記事 PubMed PubMed Central Google Scholar

山梨 哲 ほかトポロジカル データ解析 (TDA) は、せん妄の検出のためのバイスペクトル EEG (BSEEG) アルゴリズムを強化します。 科学。 議員 11(1)、304 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

リファレンスをダウンロードする

Malissa Mulkey は、国立看護研究所からの NRSA T32 NR018407 によって資金提供を受けました。 この調査研究は、米国救命救急看護師協会から資金提供を受けました。

サウスカロライナ大学看護大学、コロンビア、サウスカロライナ州、米国

マリッサ・A・マルキー

米国インディアナ州ラファイエット、パデュー大学コンピューターおよび情報技術学部

ファン・フユンティン & ヤン・バイジャン

イーストカロライナ大学工学部、グリーンビル、ノースカロライナ州、米国

トーマス・アルバニーズ & キム・ソンハン

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

MM は、研究計画の概念化、分析結果の解釈、原稿の草案作成、研究の正確性と完全性への同意を担当しました。 TA は、分析の設計と実施、結果の解釈、記事の草稿、正確性と完全性への同意を担当しました。 HH は、分析の設計、結果の解釈、記事の草稿、正確性と完全性への同意を担当しました。 BY は、分析の設計、結果の解釈、記事の草稿、正確性と完全性への同意を担当しました。 SK は、分析の設計と実施、結果の解釈、記事の草案作成、および正確性と完全性への同意を担当しました。 すべての作成者が最終バージョンをレビューし、承認しました。

マリッサ・A・マルキーへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Mulkey, MA、Huang, H.、Albanese, T. 他ビジョントランスフォーマーを使用した教師ありディープラーニングは、限られた誘導EEGを使用してせん妄を予測します。 Sci Rep 13、7890 (2023)。 https://doi.org/10.1038/s41598-023-35004-y

引用をダウンロード

受信日: 2022 年 10 月 11 日

受理日: 2023 年 5 月 11 日

公開日: 2023 年 5 月 16 日

DOI: https://doi.org/10.1038/s41598-023-35004-y

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。