비전 변환기를 사용한 지도 딥 러닝은 제한된 리드 EEG를 사용하여 섬망을 예측합니다.

Scientific Reports 13권, 기사 번호: 7890(2023) 이 기사 인용

2439 액세스

4 알트메트릭

측정항목 세부정보

중증 환자의 80% 정도가 섬망을 겪게 되어 시설 입원의 필요성이 높아지고 이환율과 사망률이 높아집니다. 임상의는 검증된 선별 도구를 사용할 때 섬망의 40% 미만을 발견합니다. EEG는 기준 표준이지만 자원 집약적이므로 광범위한 섬망 모니터링에는 적합하지 않습니다. 이 연구에서는 섬망을 예측하기 위해 제한적 리드 신속 반응 EEG와 비전 변환기를 사용한 감독 딥 러닝 방법의 사용을 평가했습니다. 이 개념 증명 연구에서는 전망적 설계를 사용하여 기계 환기를 받는 중환자 노인의 섬망을 예측하기 위한 비전 변환기 및 신속 반응 EEG 장치를 갖춘 감독형 딥 러닝의 사용을 평가했습니다. 15개의 서로 다른 모델이 분석되었습니다. 사용 가능한 모든 데이터를 사용하여 비전 변환기 모델은 모델 전반에 걸쳐 99.9% 이상의 교육 및 97% 테스트 정확도를 제공했습니다. 빠른 응답 EEG를 갖춘 비전 변환기는 섬망을 예측할 수 있습니다. 이러한 모니터링은 중병에 걸린 노인에게도 가능합니다. 따라서 이 방법은 섬망 감지의 정확성을 향상시키고 개별화된 개입을 위한 더 큰 기회를 제공할 수 있는 강력한 잠재력을 가지고 있습니다. 이러한 접근법은 병원 입원 기간을 단축하고, 집으로의 퇴원을 늘리고, 사망률을 감소시키며, 섬망과 관련된 재정적 부담을 줄일 수 있습니다.

섬망은 혼란스러운 사고나 의식 수준의 변화를 포함하는 전체적인 인지 기능의 변화로 나타나는 급성 증후군입니다1. 섬망은 중병을 앓는 노인의 최대 80%에서 발생하며 장기적으로 인지 결과가 더 나쁠 수 있습니다2,3. 20년 이상 동안 최소 10개의 국내 및 국제 의료 전문 기관이 임상 실무 지침에 일상적인 섬망 검사를 포함시켰습니다4,5,6. 이러한 권장사항과 40개 이상의 검증된 검사 도구가 있음에도 불구하고, 섬망에 대한 정기적인 검사를 보고하는 임상의는 10% 미만입니다4,7. 중환자실 환경에서는 혼수상태나 깊은 진정상태 등 섬망 선별검사에 참여할 수 없는 환자가 많아 검사가 불가능하다. 이러한 도구를 사용하더라도 섬망은 여전히 ​​인식하기 어렵기 때문에 제대로 진단되지 않고 치료도 제대로 이루어지지 않는 경우가 많습니다. 섬망의 기간과 심각도가 증가함에 따라 치료가 점점 더 어려워집니다. 결과적으로 섬망은 1년 동안 환자당 44,000달러 이상의 경제적 부담을 증가시켜 세계적인 공중 보건 위기가 됩니다8.

뇌전도(EEG)는 뇌의 상태를 설명하는 정보가 포함된 대표적인 신호입니다. EEG 파형의 모양, 진폭 및 진동 속도는 그림 1과 같이 상태를 설명하고 진단에 도움이 됩니다. 섬망 감지를 위한 EEG의 사용은 1940년대에 처음 확인되었습니다. Romano와 Engel은 섬망이 있을 때 수면의 증가와 각성파의 감소에 따라 EEG가 느려지는 것을 확인했습니다9,10. 따라서 섬망은 EEG를 사용하여 신경 활동의 변화를 검사함으로써 확실하게 식별되었습니다. 불행하게도 기술 설정 및 전문가 분석의 필요성과 관련된 상당한 비용으로 인해 임상 환경에서 섬망 탐지를 위해 EEG를 사용하지 못했습니다11,12.

우리의 작업 파이프라인.

1단계 데이터에서 하위 집합을 추출합니다. 각 하위 집합에는 t초의 레코드가 있습니다. 이러한 하위 집합을 훈련/테스트 세트로 나눕니다.

2단계 하위 집합을 '이미지'(*)로 변환합니다.

3단계 이 '이미지'를 사용하여 ViT 모델에 피드를 제공합니다.

최근에는 기계 학습과 같은 신속한 반응 분석 방법으로 프로그래밍되고 기존 EEG와 동일한 기록 정확도를 갖춘 사용자 친화적인 휴대용 EEG 장치가 출시되었습니다13. 이러한 장치는 제한된 교육을 받은 사람이라면 누구라도 신속한 설정을 제공하므로 설정하는 데 최대 1시간이 걸리고 특별 교육을 받은 직원이 필요한 기존 EEG와는 달리 몇 분 내에 빠른 EEG 데이터(따라서 빠른 응답 EEG)를 제공합니다. EEG 파형을 평가하기 위해 컴퓨터 기반 통계 알고리즘을 사용하여 신호 매개변수를 추출하고 분석합니다. 예를 들어, 비선형 시계열 분석은 뇌 신호14의 동적 특성과 가변성에 대한 통찰력을 제공합니다. 정확한 예측 감지가 가능한 알고리즘의 개발을 통해 최신 EEG 장치는 섬망 감지를 통해 임상의를 지원하는 실행 가능한 생리학적 방법을 제공할 수 있습니다.