Ο ρόλος της μηχανικής μάθησης στην πρόβλεψη νευρολογικών αποτελεσμάτων από δεδομένα ενδοεγχειρητικής νευροπαρακολούθησης

Πρίλο, Γιωργάκη

The role of machine learning in predicting neurological outcomes from intraoperative neurophysiological monitoring data

Διπλωματική εργασία

Author

Πρίλο, Γιωργάκη

Date

2024-10-03

Advisor

Asvestas, Pantelis

ΠΡΙΛΟ - ΔΙΠΛΩΜΑΤΙΚΗ.pdf (2.129Mb)

Keywords

Νευρωνικά δίκτυα ; Ηλεκτρομυογράφημα ; Νευροπαρακολούθηση ; Μηχανική μάθηση ; Ανάλυση σημάτων

Abstract

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.

Abstract

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.