Une approche d'apprentissage automatique hybride basée sur l'EEG pour le triage par scanner CT dans les traumatismes crâniens légersAn EEG-based hybrid machine learning approach for CT scan triage in mild traumatic brain injury.
Cette étude évalue l'utilisation de biomarqueurs EEG couplés à un modèle hybride (Random Forest et LSTM) pour le triage des patients avec traumatisme crânien léger (TCL) nécessitant un scanner CT. Sur 120 sujets (CT-Anormaux, CT-Normaux, contrôles sains), le modèle hybride atteint une précision de 93,33 %, améliorant la sensibilité pour les cas CT-Normaux. Les résultats suggèrent que cette approche non invasive pourrait aider les cliniciens à réduire les examens CT inutiles.
L'EEG quantitatif avec un montage 19 électrodes et prétraitement automatique est utilisable en urgence. Le modèle hybride Random Forest + LSTM atteint 93,33 % de précision pour la classification CT-Anormal vs CT-Normal vs contrôle. La sensibilité pour la catégorie CT-Normal est améliorée, ce qui pourrait réduire les faux positifs et les CT superflus. La validation sur un jeu de test indépendant confirme la généralisabilité du modèle.
L'EEG pourrait servir d'outil d'aide à la décision pour le triage CT aux urgences, réduisant l'exposition inutile aux rayonnements. Les cliniciens pourraient utiliser cette approche pour prioriser les patients à haut risque de lésions intracrâniennes. Le prétraitement automatique facilite l'intégration dans les flux de travail cliniques sans expertise EEG avancée.
Échantillon de taille modeste (n=120) et monocentrique, nécessitant une validation multicentrique. Les critères de classification CT-Anormal ne sont pas détaillés, limitant la reproductibilité. Absence de comparaison avec des outils cliniques standardisés (ex. échelles de décision CT).
Modéré