logo móvil
Contáctanos

Machine learning y implantación coclear: prediciendo las impedancias de electrodos postoperatorios

Autores: Alohali, Yousef A.; Fayed, Mahmoud Samir; Abdelsamad, Yassin; Almuhawas, Fida; Alahmadi, Asma; Mesallam, Tamer; Hagr, Abdulrahman

Idioma: Inglés

Editor: MDPI

Año: 2023

Descargar PDF

Acceso abierto

Artículo científico
2023

Machine learning y implantación coclear: prediciendo las impedancias de electrodos postoperatorios


Categoría

Ingeniería y Tecnología

Subcategoría

Ingeniería Eléctrica y Electrónica

Palabras clave

Implante coclear
Impedancia del electrodo
Predicción
Algoritmos de aprendizaje automático
Edad del paciente
Cirugía

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 37

Citaciones: Sin citaciones


Descripción
La implantación coclear es el tratamiento común para la pérdida auditiva sensorioneural severa a profunda si no hay beneficio de los audífonos. Medir la impedancia del electrodo a lo largo del conjunto de electrodos en diferentes momentos después de la cirugía es crucial para verificar el estado de los electrodos, determinar los niveles de cumplimiento y ayudar a identificar el rango dinámico eléctrico. Valores de impedancia aumentados sin una reprogramación adecuada pueden afectar el rendimiento del paciente. La predicción de niveles aceptables de impedancia del electrodo en diferentes momentos después de la cirugía podría ayudar a los clínicos durante las sesiones de ajuste mediante una comparación de los niveles predichos con los medidos. En consecuencia, los clínicos pueden decidir si los niveles medidos están dentro del rango normal predicho o no. En este trabajo, utilizamos un conjunto de datos de 80 pacientes pediátricos que recibieron implantes cocleares con el conjunto de electrodos MED-EL FLEX 28. Predijimos la impedancia de los conjuntos de electrodos en cada canal en diferentes momentos: a un mes, tres meses, seis meses y un año después de la fecha de la cirugía. Utilizamos diferentes algoritmos de aprendizaje automático como regresión lineal, regresión lineal bayesiana, regresión de bosque de decisiones, regresión de árbol de decisiones mejorado y redes neuronales. Las características utilizadas incluyen la edad del paciente y la impedancia del electrodo intraoperatorio en diferentes electrodos. Nuestros resultados indicaron que el mejor algoritmo varía según el canal, mientras que la regresión lineal bayesiana y las redes neuronales proporcionan los mejores resultados para el 75% de los canales. Además, el nivel de precisión varía entre el 83% y el 100% en la mitad de los canales un año después de la cirugía, cuando se define un rango de error entre 0 y 3 KOhm como umbral aceptable. Además, el uso solo de la edad del paciente puede proporcionar los mejores resultados de predicción para el 50% de los canales a los seis meses o un año después de la cirugía. Esto refleja que la edad del paciente podría ser un predictor de la impedancia del electrodo después de la cirugía.

Otros recursos que podrían interesarte

Temas Virtualpro