Ο ρόλος της μηχανικής μάθησης στην πρόβλεψη νευρολογικών αποτελεσμάτων από δεδομένα ενδοεγχειρητικής νευροπαρακολούθησης
The role of machine learning in predicting neurological outcomes from intraoperative neurophysiological monitoring data
Λέξεις-κλειδιά
Νευρωνικά δίκτυα ; Ηλεκτρομυογράφημα ; Νευροπαρακολούθηση ; Μηχανική μάθηση ; Ανάλυση σημάτωνΠερίληψη
Η ενσωμάτωση της μηχανικής μάθησης (ML) στην διεγχειρητική νευροπαρακολούθηση
(IONM) αποτελεί σημαντική πρόοδο στη χειρουργική ασφάλεια και τα αποτελέσματα των
ασθενών. Η παρούσα διατριβή διερευνά την εφαρμογή διαφόρων τεχνικών ML,
συμπεριλαμβανομένων των KNN, SVM, λογιστικής παλινδρόμησης, naive Bayes και
νευρωνικών δικτύων, για την ενίσχυση της ταξινόμησης και της ανάλυσης των
νευροφυσιολογικών σημάτων κατά τη διάρκεια της χειρουργικής επέμβασης. Οι πρωταρχικοί
στόχοι ήταν η ανάπτυξη και αξιολόγηση μοντέλων ML για την ταξινόμηση σημάτων, η
σύγκριση της απόδοσης των διαφόρων αλγορίθμων και η βελτιστοποίηση των μεθόδων
επιλογής χαρακτηριστικών. Η μεθοδολογία μας περιελάμβανε εκτεταμένη προεπεξεργασία
δεδομένων, εξαγωγή χαρακτηριστικών και cross validation για να διασφαλιστεί η ευελιξία
του μοντέλου.Τα αποτελέσματα έδειξαν ότι το μοντέλο νευρωνικού δικτύου, σε συνδυασμό
με προηγμένες τεχνικές επιλογής χαρακτηριστικών, πέτυχε την υψηλότερη ακρίβεια,
precision, ανάκληση και F1-score, ξεπερνώντας τις παραδοσιακές μεθόδους. Τα ευρήματα
αυτά υποδηλώνουν ότι η ενισχυμένη με ML IONM μπορεί να μειώσει σημαντικά τον κίνδυνο
μετεγχειρητικών νευρολογικών επιπλοκών παρέχοντας σε πραγματικό χρόνο ακριβείς
εκτιμήσεις της νευρικής ακεραιότητας κατά τη διάρκεια της χειρουργικής επέμβασης. Η
μελέτη υπογραμμίζει τη δυνατότητα του ML να φέρει επανάσταση στην IONM,
προσφέροντας ένα ισχυρό εργαλείο για τη βελτίωση των χειρουργικών αποτελεσμάτων και
της ασφάλειας των ασθενών.
Περίληψη
The integration of machine learning (ML) into intraoperative neuromonitoring (IONM)
represents a significant advancement in surgical safety and patient outcomes. This thesis
investigates the application of various ML techniques, including KNN, SVM, logistic regression,
naive Bayes, and neural networks, to enhance the classification and analysis of
neurophysiological signals during surgery. The primary objectives were to develop and
evaluate ML models for signal classification, compare the performance of different
algorithms, and optimize feature selection methods. Our methodology involved extensive
data preprocessing, feature extraction, and the use of cross-validation to ensure model
robustness.
The results demonstrated that the neural network model, coupled with advanced feature
selection techniques, achieved the highest accuracy, precision, recall, and F1-score,
outperforming traditional methods. These findings suggest that ML-enhanced IONM can
significantly reduce the risk of postoperative neurological deficits by providing real-time,
accurate assessments of neural integrity during surgery. The study underscores the potential
of ML to revolutionize IONM, offering a powerful tool for improving surgical outcomes and
patient safety.
Αριθμός σελίδων
110Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Μηχανικών ΒιοϊατρικήςΓλώσσα
ΕλληνικάΣυλλογή
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές