31481

پيش‌بيني بهبود عصبي بيماران بستري در بخش مراقبت‌هاي ويژه پس از ايست قلبي

كارشناسي ارشد

مهندسي برق- الكترونيك ـ ديجيتال

1400

1403/7/9

علي صدر

/

دانشكده مهندسي برق

ايست قلبي مي‌تواند سبب بروز آسيب مغزي شديد، عوارض عصبي طولاني‌مدت و حتي مرگ شود. ازاين‌رو پيش‌بيني بهبود عصبي بيماران پس از ايست قلبي يكي از موضوعات چالش‌برانگيز حوزه‌ پزشكي است. چراكه مي‌تواند باعث انتخاب درمان‌هاي هدفمند توسط پزشكان شود، همچنين به علت كمبود پزشكان متخصص با فراهم‌كردن اطلاعات از وضعيت بيمار، ضمن اطلاع‌رساني سريع‌تر به خانواده بيماران، به تيم‌هاي مراقبت‌هاي ويژه در زمينه اتخاذ تصميم‌هاي آگاهانه‌تر در مراقبت‌هاي اوليه كمك مي‌كند. در نهايت، در شرايطي كه بيمارستان‌ها با محدوديت‌هاي منابع انساني و مالي روبرو هستند، پيش‌بيني دقيق بهبود عصبي مي‌تواند به بهينه‌سازي منابع كمك كند. داده‌هاي الكتروانسفالوگرافي (EEG) به دليل ارائه اطلاعات بلادرنگ و غيرتهاجمي از وضعيت مغزي، به‌ويژه در بيماران بيهوش، منبعي ارزشمند براي پيش‌بيني بهبود عصبي بيماران محسوب مي‌شوند. پيش‌بيني دقيق‌تر به دليل تأثير آرام‌بخش‌ها و تنظيم دماي بدن معمولاً 72 ساعت پس از ضبط داده‌ها انجام مي‌شود كه اين امر منجر به توليد حجم زيادي از داده‌ها مي‌شود. ازآنجاكه تحليل دقيق‌تر نياز به در نظر گرفتن كل توالي زماني دارد، منابع محاسباتي زيادي براي تحليل اين داده‌ها لازم است. در اين پژوهش، با استفاده از تنها 5 دقيقه از باكيفيت‌ترين سيگنال ضبط‌شده در هر ساعت، ويژگي‌هاي مختلفي در حوزه‌هاي زمان، فركانس و پيچيدگي در هر كانال EEG، همچنين ويژگي‌هاي خطي و غيرخطي ارتباطي بين كانال‌هاي EEG استخراج شد تا نقشي دقيق‌تر در پيش‌بيني ايفا كنند. ويژگي‌هاي استخراج‌شده براي هر بخش 5 دقيقه‌اي، با به‌دست‌آوردن چارك آن‌ها براي بازه‌هاي كوچك از ساعت‌هاي ضبط (5 و 6 ساعت) جمع‌آوري و با اضافه‌كردن رمزگذاري موقعيتي سينوسي به‌عنوان ويژگي جديد به‌منظور تعيين ترتيب آن‌ها در طول توالي تمامي ساعات ضبط، تركيب شدند. با اضافه‌كردن داده‌هاي باليني به اين دسته ويژگي‌ها براي بهبود عملكرد و آموزش مدل كت‌بوست و استفاده از يادگيري گروهي در تعيين بيماران با وضعيت بد، به نتيجه%2 ± 87 در معيار مساحت زير منحني عملكرد سيستم رسيد كه قابل‌مقايسه با كارهايي است كه از تمام توالي ساعت‌هاي ضبط استفاده كرده‌اند.

1403/08/18

Predicting neurological recovery of patients hospitalized in the intensive care unit after cardiac arrest

9/30/2025 12:00:00 AM

Cardiac arrest can lead to severe brain damage, long-term neurological complications, and even death. Therefore, predicting neurological recovery in patients after cardiac arrest is one of the challenging topics in the medical field. Accurate prediction can help physicians choose targeted treatments, and due to the shortage of specialized physicians, it can provide timely information to patients' families. Moreover, it aids intensive care teams in making more informed decisions regarding primary care. Finally, in situations where hospitals face human and financial resource constraints, accurate prediction of neurological recovery can help optimize resources. Electroencephalography (EEG) data, due to providing real-time and non-invasive information about brain status, are considered a valuable resource for predicting neurological recovery in patients, especially in unconscious individuals. Accurate prediction is typically performed 72 hours after data recording due to the effects of sedatives and body temperature regulation, which leads to a large volume of data. Since precise analysis requires considering the entire time sequence, significant computational resources are needed for this data analysis. In this study, by using only 5 minutes of the highest-quality signal recorded each hour, various features in the domains of time, frequency, and complexity were extracted from each EEG channel. Additionally, linear and nonlinear connectivity features between EEG channels were extracted to play a more accurate role in prediction. The features extracted for each 5-minute segment were collected by obtaining their quartiles over small intervals of the recording hours (5 and 6 hours). Furthermore, sinusoidal positional encoding was added as a new feature to determine their order throughout the entire sequence of recorded hours. Clinical data were also added to this feature set to improve performance. The model was trained using CatBoost, and ensemble learning was applied to identify patients with poor status. The system achieved an accuracy of 87 ± 2% in the area under the curve (AUC), comparable to works that utilized the entire sequence of recorded hours.

الكتروانسفالوگرافي , ايست قلبي , نتيجه عصبي , ويژگي‌هاي باليني , يادگيري ماشيني

electroencephalography , cardiac arrest , Neurological Outcome , Clinical Features , machine learning

Mohammad Nikkhah

Dr. Sadr