基于在线学习的 ICU 患者 EEG 自适应镇静监测

基于摘要分析。研究针对 ICU 患者 EEG 镇静水平预测中患者间差异导致性能不一致的问题，提出基于 Adaptive Regularization of Weight Vectors（AROW）的在线学习方法，通过持续获得的 EEG 观测与常规临床评估逐步校准个体患者的预测模型。其主要研究对象是临床镇静监测，而非 BCI 控制任务。 方法机制：模型在持续变化的数据分布下进行自适应更新，将临床评估作为个体化校准的依据。摘要未说明 EEG 特征、预测器具体结构、更新频率、损失形式及初始化方式，这些实现细节尚未验证；也不能据此将该方法视为无需标签的测试时自适应。 评估与结果：作者在 172 名接受镇静的 ICU 患者上评估模型，以 Richmond Agitation-Sedation Scale 的 −5（昏迷）至 0（清醒）评分作为镇静水平参照。作者报告，在允许预测与参照相差一个等级的 Accuracy 指标下，自适应模型平均为 68.76%，同一模型不进行适应时为 61.10%。这一结果不是严格等级匹配的 Accuracy；患者划分、在线评估时序、平均方式及统计不确定性尚未验证。作者还报告模型对标签噪声导致的突变具有稳健性，并发现仅接受 propofol 的患者中表现优于未接受镇静或同时接受多种镇静药物的患者；摘要不足以支持药物选择的因果结论或临床建议。 复现需核对 EEG 预处理与特征、临床评分和信号的时间对齐、预测与更新的先后顺序、标签可用频率，以及药物分组的样本构成。实验协议、消融及统计信息尚未验证，摘要也未提供可确认的代码与数据获取条件。预测性能改善不能直接等同于镇静用药优化或患者结局改善。