Intracranial hypertension prediction using extremely randomized decision trees.
Intracranial hypertension prediction using extremely randomized decision trees.
复制标题
DOI：
10.1016/j.medengphy.2011.11.010
复制
发表时间：
2012-10
影响因子：
2.2
通讯作者：
Hu X
中科院分区：
文献类型：
--
作者：
Scalzo F;Hamilton R;Asgari S;Kim S;Hu X
神经重症监护中的颅内压（ICP）升高（颅内高压，IH）通常以反应性方式进行治疗;只有在床边临床医生注意到持续的ICP升高后才进行治疗。需要一种积极的解决方案来改善颅内高压的治疗。几项研究表明，颅内压脉冲的波形形态是未来颅内高压的预测因子，因此可用于提醒床旁临床医生在不久的将来可能发生升高。在本文中，提出了一个计算框架来预测长期颅内高压的基础上计算的ICP形态波形特征。这项工作的一个关键贡献是利用集成分类方法的基础上，极端随机决策树（额外树）。一组有代表性的30例患者入院的各种颅内压相关的条件下的实验证明了有效性的预测框架在临床条件下获得的ICP脉冲和所提出的方法相比，线性和AdaBoost分类器的上级结果。
Intracranial pressure (ICP) elevation (intracranial hypertension, IH) in neurocritical care is typically treated in a reactive fashion; it is only delivered after bedside clinicians notice prolonged ICP elevation. A proactive solution is desirable to improve the treatment of intracranial hypertension. Several studies have shown that the waveform morphology of the intracranial pressure pulse holds predictors about future intracranial hypertension and could therefore be used to alert the bedside clinician of a likely occurrence of the elevation in the immediate future. In this paper, a computational framework is proposed to predict prolonged intracranial hypertension based on morphological waveform features computed from the ICP. A key contribution of this work is to exploit an ensemble classifier method based on Extremely Randomized Decision Trees (Extra-Trees). Experiments on a representative set of 30 patients admitted for various intracranial pressure related conditions demonstrate the effectiveness of the predicting framework on ICP pulses acquired under clinical conditions and the superior results of the proposed approach in comparison to linear and AdaBoost classifiers.
登录
查看更多内容
DOI：
10.1109/tbme.2008.2008636
发表时间：
2009-03
期刊：
IEEE transactions on bio-medical engineering
影响因子：
--
作者：
Hu X;Xu P;Scalzo F;Vespa P;Bergsneider M
通讯作者：
Bergsneider M
影响因子：
3.2
作者：
Scalzo, Fabien;Xu, Peng;Asgari, Shadnaz;Bergsneider, Marvin;Hu, Xiao
通讯作者：
Hu, Xiao
影响因子：
4.1
作者：
Czosnyka, M;Smielewski, P;Pickard, JD
通讯作者：
Pickard, JD
影响因子：
4.6
作者：
Hornero, R;Aboy, M;Goldstein, B
通讯作者：
Goldstein, B
影响因子：
7.5
作者：
SCHAPIRE, RE
通讯作者：
SCHAPIRE, RE