基于机器学习的加速老化条件下神经微电极寿命早期预测

目的。慢性植入式医疗器械可能需要数十年的功能寿命，以减少或消除对其取出和更换的需求，而取出和更换可能涉及侵入性且有时有风险的手术。然而，当器械变得异常长寿时，即使在采用加速寿命测试方法的情况下，验证其寿命的临床前研究也难以在合理的时间范围内执行。因此，能够根据早期数据准确可靠地预测微电极寿命的计算方法，可以大大加快长寿命植入式器械的开发。方法。在此，受预测锂离子电池单元功能寿命的类似研究的启发，我们开发了一种基于弹性网络回归和早期特征工程的机器学习模型，用于预测加速老化条件下阻抗定义的微电极寿命，并评估了其预测性能。我们还提供了一个来自老化微电极的电化学测量数据集供公众使用。主要结果。使用截至第5天收集的测量数据，10特征弹性网络模型在器械级验证下实现了3.71个加速老化天的均方根误差和13.90%的平均绝对百分比误差。在一个独立的制造批次中，使用每个目标组中一个器械的五个标记通道进行协方差对齐和校准，将小电极的平均绝对百分比误差从38.1%降低到22.5%，将中电极的平均绝对百分比误差从56.6%降低到18.2%。意义。这些结果凸显了基于机器学习的方法根据早期数据准确预测神经微电极寿命的潜力。此类方法可为未来加速寿命研究的设计提供信息，从较短的测试周期中提供有意义的寿命估计，并可能加速用于临床的长寿命植入式器械的开发。

中文由 AI 翻译，仅供参考，以原文为准。