Analýza záznamů rSO2 neonatologických pacientů

Abstract

Blízká infračervené spektroskopie je neinvazivní metoda pro dlouhodobé monitorování regionální oxygenace (rSO2), vhodná pro použití u neonatologických pacientů. Hodnoty rSO2 představují potenciální biomarker, který má slibné využití v oblasti detekce intraventrikulárního krvácení. Cílem této práce bylo analyzovat záznamy rSO2 neonatologických pacientů s výskytem IVH, klasifikovat je pomocí konvolučních neuronových sítí a zjistit, zda lze tyto záznamy využít k predikci vzniku IVH. Nejlepších výsledků klasifikace dosáhla architektura AlexNet, jež rozpoznala vstupní data s výskytem a bez výskytu IVH s přesností 80 %. Tento výsledek sítě by mohl klinické pracovníky upozornit na možnost výskytu IVH po prvních 72 hodinách života pacienta. Včasná diagnóza by mohla usnadnit péči o tyto pacienty a zlepšit jejich prognózu. Při predikci vzniku IVH dosáhla neuronová síť přesnosti 60 %.

Near-infrared spectroscopy is a non-invasive method for long-term monitoring of regional oxygenation (rSO2), suitable for neonatological patients. Regional oxygenation represents a potential biomarker that has promising utility in intraventricular hemorrhage (IVH) detection. The aim of this study was to analyze the records of rSO2 neonatological patients with IVH, classify them using convolutional neural networks and to find out whether these records can be used to predict the occurrence of IVH. The best classification results were achieved by AlexNet, which recognized input data with and without IVH with an accuracy of 80 %. This network outcome could alert clinicians to the possibility of IVH after the first 72 hours of patient life. Early diagnosis could facilitate the care of these patients and improve their prognosis. The neural network reached an accuracy of 60% during the prediction of the IVH occurence.