[TOC]
P-HINTS 大纲
第 1 章 绪论
1.1 研究背景及意义
-
1.1.1 眩晕的定义及孤立性眩晕的诊断挑战
- 定义
- 占急症主诉 3 - 5%，对患者生活影响大
- 分为两类：外周性 vs. 中枢性
- 外周性：BPPV，前庭神经炎，梅尼埃病
- 中枢性：后循环缺血性卒中 - （孤立眩晕）
- 急诊挑战：快速区分外周性与中枢性，但症状重叠度高，临床环境复杂。
- 阐述孤立性头晕在临床中的常见性以及准确判断其是否由卒中导致的难度，强调误判可能导致的严重后果，如错过最佳治疗时机、错误溶栓等
-
1.1.2 当前眩晕诊断方法及其局限性
- cHINTS - 敏感度低，对医师技术要求高
- vHINTS - 部署复杂，成本昂贵，对医师技术要求高
- “STANDING”
-
1.1.3 研究的意义
- 临床需求： 急诊需快速、低成本、高灵敏度分型工具。 基层医疗资源匮乏地区需便携化解决方案。
- 技术趋势： 智能手机传感器性能提升，可替代专业设备采集数据。 算法自动化分析降低对医师经验依赖。
- 社会价值： 减少脑卒中误诊致医疗纠纷与成本
1.2 研究的内容及目的
- 院内场景 - 基于院内 HINTS 数据构建准确快速的诊断模型，用于在影像学之前判断孤立性头晕患者是否为中枢性，特别是后循环缺血性卒中。
- 院外场景 - 通过手机实现 HINTS 三个模块的设计，获取可量化的临床指标，用于构建分类模型，以快速区分外周性和中枢性眩晕，满足急诊及基层医疗需求。
1.3 论文组织结构
第 2 章 理论基础与技术方法
2.1 视频眼动技术原理
- 对视频眼动技术进行综述，重点介绍其在眩晕诊断中的应用原理。
- 详细阐述 iPhone ARKit 视频眼动技术的特点及优势，为后续手机 HINTS 模块的设计提供理论依据。
2.2 信号处理技术原理
- 针对采集到的头动和眼动信号，详细说明所采用的高通滤波、低通滤波以及拐点检测等信号处理方法的原理。
- 解释信号处理技术中参数选择的依据，并结合本研究具体阐述这些技术在信号处理过程中的应用，以确保获取准确可靠的临床指标。
2.3 头脉冲测试和眼震测试中关键参数的计算
- 2.3.1 头脉冲增益的定义及计算方法 ：给出头脉冲增益的明确定义，并详细介绍其计算步骤和方法，使其能够准确反映患者的前庭功能状态。
- 2.3.2 头脉冲增益指标在眩晕诊断中的意义和作用 ：分析头脉冲增益指标对于区分外周性和中枢性眩晕的重要价值，以及如何根据该指标为临床诊断提供依据。
- 2.3.3 眼震方向判断和 SPV 计算方法 ：阐述如何准确判断眼震方向，并介绍 SPV（慢相速度）的计算方法，确保能够量化眼震特征以辅助诊断。
- 2.3.4 眼震相关指标在眩晕诊断中的意义和作用 ：探讨眼震方向和 SPV 等眼震相关指标在判断眩晕类型时的重要意义，以及它们与其他临床指标的关联性。
2.4 深度学习分类模型技术
-
2.4.1 特征选择技术 ：介绍在构建分类模型过程中如何选择与眩晕诊断相关的有效特征，以提高模型的准确性和可靠性。
-
2.4.2 分类模型 ：详细说明所采用的分类模型，如随机森林、SVM 等，并对比不同模型的优缺点，为后续模型选择提供参考。
-
2.4.3 模型训练优化技术 ：阐述模型训练过程中的优化技术，特别是分类阈值的确定方法，以确保模型在实际应用中能够达到最佳的分类效果。
2.5 统计学方法
- 2.5.1 一致性分析
- ICC ：解释 ICC（一致性相关系数）的计算方法及其在设备和手机之间信号量化参数一致性分析中的应用场景和意义。
- Kappa ：阐述 Kappa 值在分类数据一致性分析中的作用，包括眼震方向判断和眩晕类型分类等方面的一致性评估。
- Bland-Altman ：说明 Bland-Altman 法在连续数据一致性评估中的应用，如用于比较手机采集信号和商用设备之间在关键参数测量上的一致性。
- 2.5.2 模型分类性能评估
- F2 Score ：介绍 F2 Score 的计算方法及其在评估模型分类性能时的优势，特别是在关注召回率的情况下对模型的综合评价。
- 混淆矩阵 ：阐述混淆矩阵的构建方法及其在分析模型分类结果中的作用，通过各项指标（如准确率、召回率、精确率等）全面评估模型性能。
- ROC Curve ：解释 ROC 曲线的绘制方法及其在判断模型分类效果中的意义，通过曲线下面积（AUC）等指标衡量模型的诊断能力。
- 2.5.3 模型可解释性分析
- SHAP ：介绍 SHAP（SHapley Additive exPlanations）值的计算原理及其在模型可解释性分析中的应用，通过可视化等方式解释模型的决策过程，提高模型的可信度和临床应用价值。
第 3 章 分类模型构建
3.1 引言
- 介绍本章的研究目的和意义，即利用院内 HINTS 数据构建准确快速的诊断模型，用于在影像学之前判断孤立性头晕患者是否为中枢性，特别是后循环缺血性卒中。
- 强调 HINTS 特征在模型中的重要性，为后续第五章铺路。
3.2 分类模型的构建与评估
- STANDING 模型 ：详细介绍基于 STANDING 方法构建的分类模型，包括模型的构建过程、所采用的特征以及模型的评估结果，分析其在孤立性头晕诊断中的优势和局限性。
- vHINTS 模型 ：阐述基于 vHINTS 数据构建的分类模型，重点说明模型的优化方法和改进之处，通过与 STANDING 模型的对比评估其在诊断准确性和效率方面的提升。
- 机器学习模型 ：介绍采用机器学习算法构建的分类模型，如随机森林、SVM 等，详细说明模型的训练过程、特征选择方法以及模型的评估指标，对比不同机器学习模型的性能，确定最优模型用于孤立性头晕的诊断。
3.3 讨论与分析
- 对不同分类模型的构建结果进行讨论和分析，比较各模型在诊断准确性、敏感性、特异性等方面的差异，探讨模型性能的影响因素，如特征选择、数据质量、模型参数等。
- 结合临床实际需求，评估所构建模型在急诊及基层医疗环境中的应用价值和可行性，为进一步优化模型和推广其应用提供建议。
第 4 章 基于手机的 HINTS 模块设计与实现及一致性对比分析
4.1 引言
- 阐述进行手机采集信号和商用设备之间一致性对比的重要性，明确本章的研究目的和意义，即通过对比分析验证手机 HINTS 模块在采集关键临床参数方面的有效性，为手机在院外低级别临床医疗环境中替代专业设备提供依据。
- 强调如果手机测得的临床参数和商用设备之间具有很好的一致性，不仅可以使用手机进行之前分类模型的流程，还可以在手机信号的基础上构建新的分类模型。
- 介绍一致性对比方法在研究中的使用，包括 ICC（一致性相关系数）、Kappa 值和 Bland-Altman 法等方法的应用场景，为后续对比分析提供方法学基础。
4.2 矫正系统设计
- 设计眼动信号校准方法并实验验证
4.3 头脉冲模块实现细节及可靠性评价
- 4.3.1 实现细节
- 详细介绍手机头脉冲模块的实现方法，包括如何利用手机传感器采集头动信号、如何进行信号处理以及如何计算头脉冲增益等关键步骤。
- 说明在实现过程中如何确保数据的准确性和稳定性，如采用的滤波算法、信号处理技术等。
- 4.3.2 可靠性评价
- 重测一致性 ：对同一受试者重复进行 3 次 P-HIT 测试，计算增益值的 ICC 值，评估手机头脉冲模块的重测一致性。
- 观察者一致性 ：由不同检查者对同一受试者进行 P-HIT 测试，计算增益值的 ICC 值，评估不同检查者之间的一致性。
- 诊断试验一致性 ：将手机 P-HIT 测试的增益值与商用 vHIT 设备的增益值进行比较，采用 ICC 或 Bland-Altman 法评估两者之间的一致性。
4.4 眼震检查模块实现细节及可靠性评价
- 4.4.1 实现细节
- 阐述手机眼震检查模块的实现过程，重点说明如何通过视频眼动技术采集眼动信号、如何判断眼震方向以及如何计算 SPV 等参数。
- 4.4.2 可靠性评价
- 重测一致性 ：对同一受试者重复进行多次 P-VOG 测试，分别计算眼震有眼震方向和 SPV 值的 Kappa 值或 ICC 值，评估手机眼震检查模块的重测一致性。
- 诊断试验一致性 ：将手机 P-VOG 测试的眼震有无判断、眼震方向和 SPV 值与商用 VOG 设备的结果进行比较，采用 Kappa 值或 ICC 值评估两者之间的一致性。
4.5 SVV 模块实现细节及可靠性评价
- 4.5.1 实现细节
- 说明手机 SVV 模块的设计与实现方法，包括如何引导患者进行主观视觉垂直测试、如何采集和处理相关信号以及如何计算 SVV 偏斜角度等。
- 描述如何制作用于后续可靠性评价的SVV桶模型
- 4.5.2 可靠性评价
- 重测一致性 ：对同一受试者重复进行 3 次 P-SVV 测试，计算偏斜角度的 ICC 值或采用 Bland-Altman 法评估重测一致性。
- 诊断试验一致性 ：将手机 P-SVV 测试的偏斜角度与桶模型的结果进行比较，采用 ICC 值或 Bland-Altman 法评估两者之间的一致性。
4.6 一致性对比分析
- 对手机 HINTS 模块与商用设备在各项关键参数上的一致性对比结果进行总结和分析，通过具体的数据和图表直观展示两者之间的一致性程度。
- 讨论可能存在的差异原因，如设备性能差异、操作人员技术水平、环境因素等，并提出相应的改进措施和建议。
- 强调手机 HINTS 模块在实际临床应用中的可行性和可靠性，为进一步将其应用于分类模型构建提供依据。
4.7 讨论与分析
- 对本章的研究内容进行讨论和分析，包括手机 HINTS 模块的设计与实现情况、可靠性评价结果以及一致性对比分析的结论等。
- 探讨手机 HINTS 模块在实际应用中可能遇到的问题及解决方案
- 结合临床需求和实际应用场景，评估手机 HINTS 模块在院外低级别临床医疗环境中的应用价值和推广前景，为进一步优化模块和推动其临床应用提供建议
第 5 章 基于手机 HINTS 模块的分类模型设计
5.1 引言
- 介绍本章的研究目的和意义，即基于手机 HINTS 模块采集的数据，设计分类模型用于在院外低级别临床医疗环境中快速、准确地判断孤立性头晕患者是否为中枢性，特别是后循环缺血性卒中。
- 强调手机 HINTS 模块与院内 HINTS 数据的一致性，为模型的迁移和应用提供理论基础。
5.2 分类模型的构建与评估
- 模型迁移与优化 ：详细说明如何将院内 HINTS 数据构建的分类模型迁移到手机 HINTS 模块采集的数据上，并根据手机数据的特点进行优化，包括特征选择、模型参数调整等。
- 模型评估 ：采用与院内模型相同的评估指标（如 F2 Score、混淆矩阵、ROC Curve 等）对基于手机 HINTS 模块的分类模型进行评估，分析其在诊断准确性、敏感性、特异性等方面的性能，并与院内模型进行对比。