Implementação de redes neurais para eletroencefalografia frontal para a identificação da responsividade / insensibilidade de transição durante a indução da anestesia geral

Autor: Joaquim Neto, Joaquim Mendes, Ana Ferreira, Pedro Amorim, Sérgio Vide, Catarina S. Nunes
Jazyk: angličtina
Rok vydání: 2021
Předmět:
Zdroj: Repositório Científico de Acesso Aberto de Portugal
Repositório Científico de Acesso Aberto de Portugal (RCAAP)
instacron:RCAAP
Popis: Objective: General anesthesia is a reversible drug-induced state of altered arousal characterized by loss of responsiveness (LOR) due to brainstem inactivation. Precise identification of the LOR during the induction of general anesthesia is extremely important to provide personalized information on anesthetic requirements and could help maintain an adequate level of anesthesia throughout surgery, ensuring safe and effective care and balancing the avoidance of intraoperative awareness and overdose. So, main objective of this paper was to investigate whether a Convolutional Neural Network (CNN) applied to bilateral frontal electroencephalography (EEG) dataset recorded from patients during opioid-propofol anesthetic procedures identified the exact moment of LOR. Material and methods: A clinical protocol was designed to allow for the characterization of different clinical endpoints throughout the transition to unresponsiveness. Fifty (50) patients were enrolled in the study and data from all was included in the final dataset analysis. While under a constant estimated effect-site concentration of 2.5 ng/mL of remifentanil, an 1% propofol infusion was started at 3.3 mL//h until LOR. The level of responsiveness was assessed by an anesthesiologist every six seconds using a modified version of the Richmond Agitation-Sedation Scale (aRASS). The frontal EEG was acquired using a bilateral bispectral (BIS VISTA (TM) v2.0, Medtronic, Ireland) sensor. EEG data was then split into 5-second epochs, and for each epoch, the anesthesiologist's classification was used to label it as responsiveness (no-LOR) or unresponsiveness (LOR). All 5-second epochs were then used as inputs for the CNN model to classify the untrained segment as no-LOR or LOR. Results: The CNN model was able to identify the transition from no-LOR to LOR successfully, achieving 97.90 +/- 0.07% accuracy on the cross-validation set. Conclusion: The obtained results showed that the proposed CNN model was quite efficient in the responsiveness/unresponsiveness classification. We consider our approach constitutes an additional technique to the current methods used in the daily clinical setting where LOR is identified by the loss of response to verbal commands or mechanical stimulus. We therefore hypothesized that automated EEG analysis could be a useful tool to detect the moment of LOR, especially using machine learning approaches. Objetivo: A anestesia geral é um estado de despertar alterado reversível induzido por drogas, caracterizado pela perda de responsividade (LOR) devido à inativação do tronco encefálico. A identificação precisa do LOR durante a indução da anestesia geral é extremamente importante para fornecer informações personalizadas sobre as necessidades anestésicas e pode ajudar a manter um nível adequado de anestesia durante a cirurgia, garantindo um cuidado seguro e eficaz e equilibrando a prevenção de consciência intraoperatória e sobredosagem. Portanto, o objetivo principal deste artigo foi investigar se uma Rede Neural Convolucional (CNN) aplicada a um conjunto de dados de eletroencefalografia frontal bilateral (EEG) registrados de pacientes durante procedimentos anestésicos com opioide-propofol identificou o momento exato de LOR. Material e métodos: Um protocolo clínico foi projetado para permitir a caracterização de diferentes desfechos clínicos ao longo da transição para a ausência de resposta. Cinquenta (50) pacientes foram incluídos no estudo e os dados de todos foram incluídos na análise final do conjunto de dados. Enquanto sob uma concentração constante estimada no local do efeito de 2,5 ng / mL de remifentanil, uma infusão de propofol a 1% foi iniciada em 3,3 mL // h até o LOR. O nível de responsividade foi avaliado por um anestesiologista a cada seis segundos, usando uma versão modificada da escala de agitação e sedação de Richmond (aRASS). O EEG frontal foi adquirido usando um sensor biespectral bilateral (BIS VISTA (TM) v2.0, Medtronic, Irlanda). Os dados do EEG foram então divididos em épocas de 5 segundos e, para cada época, a classificação do anestesiologista foi usada para rotulá-la como responsividade (sem-LOR) ou não responsividade (LOR). Todos os períodos de 5 segundos foram então usados ​​como entradas para o modelo CNN para classificar o segmento não treinado como sem LOR ou LOR. Resultados: O modelo CNN foi capaz de identificar a transição de no-LOR para LOR com sucesso, alcançando 97,90 +/- 0,07% de precisão no conjunto de validação cruzada. Conclusão: Os resultados obtidos mostraram que o modelo proposto pela CNN foi bastante eficiente na classificação da responsividade / não responsividade. Consideramos que nossa abordagem constitui uma técnica adicional aos métodos atuais usados ​​no ambiente clínico diário, onde LOR é identificado pela perda de resposta a comandos verbais ou estímulos mecânicos. Portanto, formulamos a hipótese de que a análise automatizada de EEG poderia ser uma ferramenta útil para detectar o momento de LOR, especialmente usando abordagens de aprendizado de máquina. O modelo CNN foi capaz de identificar a transição de no-LOR para LOR com sucesso, alcançando 97,90 +/- 0,07% de precisão no conjunto de validação cruzada. Conclusão: Os resultados obtidos mostraram que o modelo proposto pela CNN foi bastante eficiente na classificação da responsividade / não responsividade. Consideramos que nossa abordagem constitui uma técnica adicional aos métodos atuais usados ​​no ambiente clínico diário, onde LOR é identificado pela perda de resposta a comandos verbais ou estímulos mecânicos. Portanto, formulamos a hipótese de que a análise automatizada de EEG poderia ser uma ferramenta útil para detectar o momento de LOR, especialmente usando abordagens de aprendizado de máquina. O modelo CNN foi capaz de identificar a transição de no-LOR para LOR com sucesso, alcançando 97,90 +/- 0,07% de precisão no conjunto de validação cruzada. Conclusão: Os resultados obtidos mostraram que o modelo proposto pela CNN foi bastante eficiente na classificação da responsividade / não responsividade. Consideramos que nossa abordagem constitui uma técnica adicional aos métodos atuais usados ​​no ambiente clínico diário, onde LOR é identificado pela perda de resposta a comandos verbais ou estímulos mecânicos. Portanto, formulamos a hipótese de que a análise automatizada de EEG poderia ser uma ferramenta útil para detectar o momento de LOR, especialmente usando abordagens de aprendizado de máquina. Os resultados obtidos mostraram que o modelo proposto pela CNN foi bastante eficiente na classificação da responsividade / não responsividade. Consideramos que nossa abordagem constitui uma técnica adicional aos métodos atuais usados ​​no ambiente clínico diário, onde LOR é identificado pela perda de resposta a comandos verbais ou estímulos mecânicos. Portanto, formulamos a hipótese de que a análise automatizada de EEG poderia ser uma ferramenta útil para detectar o momento de LOR, especialmente usando abordagens de aprendizado de máquina. Os resultados obtidos mostraram que o modelo proposto pela CNN foi bastante eficiente na classificação da responsividade / não responsividade. Consideramos que nossa abordagem constitui uma técnica adicional aos métodos atuais usados ​​no ambiente clínico diário, onde LOR é identificado pela perda de resposta a comandos verbais ou estímulos mecânicos. Portanto, formulamos a hipótese de que a análise automatizada de EEG poderia ser uma ferramenta útil para detectar o momento de LOR, especialmente usando abordagens de aprendizado de máquina. This work was supported by the Fundação para a Ciência e Tecnologia under the SFRH/BD/98915/2013 and through INEGI, under LAETA, projects UIDB/50022/2020 and UIDP/50022/2020. info:eu-repo/semantics/publishedVersion
Databáze: OpenAIRE