验证基于SVM的新生儿惊厥检测算法在泛化性、非劣效性与临床效能方面的表现
机器学习
2022-02-25 v1
摘要
新生儿惊厥检测算法（SDA）正接近人类专家标注的基准。需要算法泛化性、非劣效性以及临床效能的度量来评估新生儿SDA性能的全貌。我们在一个包含28名新生儿的独立数据集上验证了我们的新生儿SDA。通过比较原始训练集（交叉验证）与验证集上的表现来检验泛化性。通过评估SDA与两名人类专家标注组合之间的观察者间一致性来检验非劣效性。通过比较SDA与人类专家如何量化惊厥负荷并识别EEG中临床显著的惊厥活动时段来检验临床效能。算法在训练集与验证集间表现一致，AUC无显著恶化（p>0.05，n=28）。SDA输出劣于人类专家标注，然而，以更高多样性数据重新训练后取得了非劣效表现（Δκ=0.077，95% CI：-0.002–0.232，n=18）。SDA对惊厥负荷的评估准确率为89–93%，识别临床关注时段的准确率为87%。所提SDA正接近人类等效水平，并提供对EEG的临床相关解读。
引用
@article{arxiv.2202.12023,
title = {Validating an SVM-based neonatal seizure detection algorithm for generalizability, non-inferiority and clinical efficacy},
author = {Karoliina T. Tapani and Päivi Nevalainen and Sampsa Vanhatalo and Nathan J. Stevenson},
journal= {arXiv preprint arXiv:2202.12023},
year = {2022}
}