Studien utfördes av en forskargrupp vid universitetet i Miami där de har använt kliniska data från Mayo Clinic och University of Debrecen för att utveckla och validera ett AI-baserat konvolutionellt neuralt nätverk (CNN) som korrekt identifierar motoriska aktionspotentialer (CMAPs) från TetraGraph-systemet.

Studien använde Senzimes TetraGraph-system för att visa hur AI kan användas för att separera giltiga CMAPs från störningar (artefakter). CNN-algoritmen visade en 99,5 procents noggrannhet i att skilja TetraGraphs giltiga CMAP från störningar.

"TetraGraph är väl lämpad för tillämpning av AI för att förbättra processen att uppnå och bibehålla djupa, stabila nivåer av neuromuskulär blockad samtidigt som man minimerar risken för under- och överdosering av muskelavslappnande läkemedel," kommenterar professor Richard H. Epstein, studiens huvudförfattare verksam vid University of Miami, USA.

"Studien är den första i sitt slag att validera TetraGraphs vågformer med hjälp av ett AI-baserat neuralt nätverk, och visar imponerande noggrannhet. Resultaten styrker TetraGraph-systemets högkvalitativa och innovativa algoritmbaserade teknik för patientövervakning," kommenterar Philip Siberg, VD för Senzime.

Studien Validation of a convolutional neural network that reliably identifies electromyographic compound motor action potentials following train-of-four stimulation: an algorithm development experimental study har publicerats i British Journal of Anesthesia Open (BJA Open) och delar av studien presenterades nyligen vid American Society of Anesthesiologists årliga möte i San Francisco, USA, och valdes ut som ett av de 12 bästa abstracts inom basic science.