莲花门户网
热点专题
当前位置: 首页 >> 热点专题 >> 正文

伤在身,“痛”在脑!AI可穿戴设备量化患者疼痛准确率达87%


文章作者:www.ymxsw.cn 发布时间:2019-10-17 点击:1362



原始标题:身体受伤,大脑“疼痛”! AI可穿戴设备可将患者的疼痛准确度量化为87%

无论是哪种疾病,疼痛都是患者最直观的体验。对于医护人员而言,患者的疼痛管理通常非常困难。例如,过度用药可能导致患者止痛药成瘾。治疗不足会导致长期的慢性疼痛和其他并发症。幸运的是,多年来,医生已经意识到患者疼痛在临床治疗中的重要性,并开始引起更多关注。他们通常根据患者的口腔状况来判断疼痛程度。

但是那些不能有效表达自己感受的患者呢?例如,年幼的孩子,阿尔茨海默氏病患者或正在接受手术的患者.最近,由麻省理工学院(MIT)研究小组牵头的系统开发了一种可测量便携式神经成像设备中大脑活动的系统。患者的疼痛程度。

该系统可以帮助医生诊断和缓解无意识且没有正常沟通技能的患者的疼痛,从而降低慢性术后疼痛(CPSP)的风险。该团队描述了一种通过使用功能近红外光谱(fNIRS)来量化患者疼痛的方法,fNIRS是一种新兴的非侵入性脑功能成像技术,用于检测患者体内的氧合血红蛋白浓度并揭示其神经元活动。总之,研究人员将fNIRS传感器放置在受试者的额头上,以测量额叶前皮层活动,该活动通常在疼痛管理中起重要作用。研究人员使用所测得的大脑信号,开发了个性化的机器学习算法,以检测与疼痛反应相关的氧化性血红蛋白水平的模式。该模型能够以87%的准确度检测患者是否疼痛。

量化疼痛,优化fNIRS技术

最新的fNIRS系统改变了过去的设备,不仅变得便携式,而且还贴在患者的额头上,这对躺着的患者很有帮助。它还改善了多噪声信号的问题。当监测传统的fNIRS时,受到头骨和皮肤信号的影响,研究人员安装了附加传感器来捕获和过滤这些“额外信息”。

fNIRS传感器放置在患者的额头上,不同波长的近红外光穿过颅骨进入大脑。氧合血红蛋白和脱氧血红蛋白具有不同的吸收波长,并且它们的信号略有变化。当红外信号传回传感器时,信号处理技术会计算出大脑不同部位的每种血红蛋白量。当患者感到疼痛时,与大脑疼痛相关的区域会增加氧化性血红蛋白而减少脱氧血红蛋白,所有这些都可以通过fNIRS进行检测。

“个性化”疼痛模型

在实验中,研究人员最初将43位男性受试者的疼痛数据用作算法训练的数据集。他们都戴着fNIRS传感器,并随机暴露在无害的痛苦环境中。在训练中,该模型提取了氧合和脱氧血红蛋白含量相关信号中的许多特征,同时提取了氧合血红蛋白水平的升高速率。 “特征和速度”的两个特征可以更清楚地显示出患者在不同电击强度下的疼痛反应。

此外,智能模型可以自动生成“个性化”疼痛子模型。在传统的机器学习算法中,一个模型基于整个患者群体的平均反应来学习“疼痛”或“无痛苦”的两种感觉,并且预测准确性较低。

经过优化的算法可以识别较大数据集中不同亚群的共同特征。例如,当青年和老年患者面对两种类型的疼痛强度时,他们的感知程度不仅由于年龄差异而有所不同,而且还因为性别差异而有所不同。 “子模型”的概念是,它们同时使用细粒度的个性化信息和总体级别的信息来更好地训练算法的全面性和准确性。通过对比实验,个性化子模型的准确性比传统方法高约20%,达到约87%,这更加准确。

接下来,研究小组计划从不同的患者人群中收集更多数据,增加女性患者在手术过程中的疼痛耐受范围,并醒来以更好地评估系统的准确性。

研究人员说:“多年来测量疼痛的方法没有改变。如果没有能反映人体疼痛的特定定量指标,那么疼痛的治疗和临床试验将非常具有挑战性。算法模型的帮助,当患者处于无意识状态时,也可以客观地量化其疼痛指数。

“在额头上放置几个传感器可以准确地检测疼痛。在科学家们的不懈努力下,我相信这种疼痛检测技术可以在未来的现实临床环境中应用。返回搜狐,了解更多

负责编辑:

身体受伤,大脑“疼痛”! AI可穿戴设备可将患者的疼痛准确度量化为87%

2019-09-23 16:08

来源:健康社区

原始标题:身体受伤,大脑“疼痛”! AI可穿戴设备可将患者的疼痛准确度量化为87%

无论是哪种疾病,疼痛都是患者最直观的体验。对于医护人员而言,患者的疼痛管理通常非常困难。例如,过度用药可能导致患者止痛药成瘾。治疗不足会导致长期的慢性疼痛和其他并发症。幸运的是,多年来,医生已经意识到患者疼痛在临床治疗中的重要性,并开始引起更多关注。他们通常根据患者的口腔状况来判断疼痛程度。

但是那些不能有效表达自己感受的患者呢?例如,年幼的孩子,阿尔茨海默氏病患者或正在接受手术的患者.最近,由麻省理工学院(MIT)研究小组牵头的系统开发了一种可测量便携式神经成像设备中大脑活动的系统。患者的疼痛程度。

该系统可以帮助医生诊断和缓解无意识且没有正常沟通技能的患者的疼痛,从而降低慢性术后疼痛(CPSP)的风险。该团队描述了一种通过使用功能近红外光谱(fNIRS)来量化患者疼痛的方法,fNIRS是一种新兴的非侵入性脑功能成像技术,用于检测患者体内的氧合血红蛋白浓度并揭示其神经元活动。总之,研究人员将fNIRS传感器放置在受试者的额头上,以测量额叶前皮层活动,该活动通常在疼痛管理中起重要作用。研究人员使用所测得的大脑信号,开发了个性化的机器学习算法,以检测与疼痛反应相关的氧化性血红蛋白水平的模式。该模型能够以87%的准确度检测患者是否疼痛。

量化疼痛,优化fNIRS技术

最新的fNIRS系统改变了过去的设备,不仅变得便携式,而且还贴在患者的额头上,这对躺着的患者很有帮助。它还改善了多噪声信号的问题。当监测传统的fNIRS时,受到头骨和皮肤信号的影响,研究人员安装了附加传感器来捕获和过滤这些“额外信息”。

fNIRS传感器放置在患者的额头上,不同波长的近红外光穿过颅骨进入大脑。氧合血红蛋白和脱氧血红蛋白具有不同的吸收波长,并且它们的信号略有变化。当红外信号传回传感器时,信号处理技术会计算出大脑不同部位的每种血红蛋白量。当患者感到疼痛时,与大脑疼痛相关的区域会增加氧化性血红蛋白而减少脱氧血红蛋白,所有这些都可以通过fNIRS进行检测。

“个性化”疼痛模型

在实验中,研究人员最初将43位男性受试者的疼痛数据用作算法训练的数据集。他们都戴着fNIRS传感器,并随机暴露在无害的痛苦环境中。在训练中,该模型提取了氧合和脱氧血红蛋白含量相关信号中的许多特征,同时提取了氧合血红蛋白水平的升高速率。 “特征和速度”的两个特征可以更清楚地显示出患者在不同电击强度下的疼痛反应。

此外,智能模型可以自动生成“个性化”疼痛子模型。在传统的机器学习算法中,一个模型基于整个患者群体的平均反应来学习“疼痛”或“无痛苦”的两种感觉,并且预测准确性较低。

经过优化的算法可以识别较大数据集中不同亚群的共同特征。例如,当青年和老年患者面对两种类型的疼痛强度时,他们的感知程度不仅由于年龄差异而有所不同,而且还因为性别差异而有所不同。 “子模型”的概念是,它们同时使用细粒度的个性化信息和总体级别的信息来更好地训练算法的全面性和准确性。通过对比实验,个性化子模型的准确性比传统方法高约20%,达到约87%,这更加准确。

接下来,研究小组计划从不同的患者人群中收集更多数据,增加女性患者在手术过程中的疼痛耐受范围,并醒来以更好地评估系统的准确性。

研究人员说:“多年来测量疼痛的方法没有改变。如果没有能反映人体疼痛的特定定量指标,那么疼痛的治疗和临床试验将非常具有挑战性。算法模型的帮助,当患者处于无意识状态时,也可以客观地量化其疼痛指数。

“在额头上放置几个传感器可以准确地检测疼痛。在科学家们的不懈努力下,我相信这种疼痛检测技术可以在未来的现实临床环境中应用。返回搜狐,了解更多

负责编辑:

声明:本文仅代表作者本人,搜狐是信息发布平台,搜狐仅提供信息存储空间服务。

患者

血红蛋白

额头

型号

算法

阅读()

下一条: 大渡口:“钢城”变“绿城”,奋进谋新篇