Plataforma para aquisição de sinais de eletroencefalografia de longa duração, com algoritmos automáticos para interpretação e triagem de recém-nascidos acometidos por patologias neurológicas: NBSMx

Abstract

A asfixia perinatal e as lesões cerebrais relacionadas à prematuridade em recémnascidos, constituem importantes causas de mortalidade neste grupo. No contexto descrito, os sinais de eletroencefalograma (EEG) e eletroencefalografia em amplitude integrada (aEEG) contribuem como importantes indicadores do comprometimento cerebral dos neonatos. Nestes sinais, a identificação do traçado patológico deve ser realizada para que a intervenção clínica seja feita a tempo para reduzir os danos neurológicos associados. Assim, a motivação desse projeto decorre da necessidade de ferramentas que agilizem o processo clínico decisório para que as intervenções sejam efetuadas. Nesta dissertação foi desenvolvida uma plataforma composta por um eletroencefalógrafo e um software, na qual há um conjunto de algoritmos automatizados para a avaliação neurológica do paciente. O hardware desenvolvido para aquisição dos sinais de EEG, possui 8 canais de entrada, conversor A/D de 24-bit, ganho programável, além de comunicação Wi-Fi. O sistema foi testado usando a ativação por abertura e fechamento ocular. Durante os testes os achados foram condizentes com os preceitos de qualidade apresentados nos serviços de rotina de EEG. Para a interpretação dos sinais foram desenvolvidos algoritmos para detecção de crises epilépticas, classificação dos padrões de fundo e identificação de pacientes com lesões neurológicas. A plataforma apresentou SE de 71,2 % e SP de 85,9 % para a identificação de crises epilépticas, bom desempenho Score ? F1ptotal de 96,5 % para classificação dos padrões de fundo, além de apresentar SE de 95,2 % e SP de 87,5 % para identificação de pacientes com lesões neurológicas, sendo que ambas as métricas mantiveram-se acima dos limites mínimos apresentados na literatura, o que indica um bom desempenho do sistema. Conclui-se que a plataforma se mostra adequada para auxiliar o processo clínico decisório, visto que a mesma apresentou SE e SP maiores que 85 e 82 %, respectivamente. Estes índices representam os valores mínimos descritos na literatura, quando especialistas fazem a interpretação clínica utilizando o aEEG. Portanto, os resultados preliminares indicam um bom desempenho da plataforma proposta.

Abstract: Perinatal asphyxia and brain injuries related to prematurity in newborns are important causes of mortality in this group. In the described context, electroencephalogram (EEG) and amplitude-integrated electroencephalography (aEEG) signals contribute as important indicators of brain impairment in neonates. In these signals, the identification of the pathological trace must be performed so that clinical intervention is carried out in time to reduce the associated neurological damage. Thus, the motivation of this project stems from the need for tools that streamline the clinical decision-making process so that interventions are carried out. In this thesis, a platform composed of an electroencephalograph and a software was developed, in which there is a set of automated algorithms for the neurological assessment of the patient. The hardware developed for acquisition of the EEG signals has 8 input channels, 24-bit A/D converter, programmable gain and Wi-Fi communication. The system was tested using eye opening and closing activation. During the tests, the findings were consistent with the quality precepts presented in routine EEG services. Algorithms were developed to interpret the signals for the detection of epileptic seizures, classification of background patterns and identification of patients with neurological lesions. The platform presented SE of 71.2 % and SP of 85.9 % for the identification of epileptic seizures, good performance for the classification of background patterns with a Score ? F1ptotal of 96.5 %, in addition it presents SE of 95.2 % and SP of 87.5 % for the identification of patients with neurological injuries, and both metrics remained above the minimum limits presented in the literature, which indicates a good performance of the system. It was concluded that the platform is suitable to assist the clinical decision-making process, since the platform has presented SE and SP greather than 85 and 82 %, respectively. These indexes represent the minimum values described in the literature when specialists perform the clinical interpretation using the aEEG. Therefore, the preliminaries results indicate a good performance of the proposed platform.