Estrategia para la toma de decisiones en el reconocimiento automático de estados de sedación anestésica

Tahimy González-Rubio, Yissel Rodríguez-Aldana, Enrique Marañon-Reyes, Arquímedes Montoya-Pedrón

Texto completo:

PDF XML

Resumen

Introducción: la Anestesiología es la especialidad médica dedicada a la atención específica de los pacientes durante procedimientos quirúrgicos y en cuidados intensivos. Esta especialidad basada en los avances científicos y tecnológicos, ha incorporado el uso del monitoreo electroencefalográfico, facilitando el control continuo de estados de sedación anestésica durante las cirugías, con una adecuada concentración de fármacos.

Objetivo: proponer una estrategia de clasificación para el reconocimiento automático de tres estados de sedación anestésica en señales electroencefalográficas.

Método: se utilizaron con consentimiento informado escrito los registros electroencefalográficos de 27 pacientes sometidos a cirugía abdominal, excluyendo aquellos con antecedentes de epilepsia, enfermedades cerebrovasculares y otras afecciones neurológicas. Se aplicaron en total 12 fármacos anestésicos y dos relajantes musculares con montaje de 19 electrodos según el Sistema Internacional 10-20. Se eliminaron artefactos en los registros y se aplicaron técnicas de Inteligencia artificial para realizar el reconocimiento automático de los estados de sedación.

Resultados: se propuso una estrategia basada en el uso de máquinas de soporte vectorial con algoritmo multiclase Uno-Contra-Resto y la métrica Similitud Coseno, para realizar el reconocimiento automático de tres estados de sedación: profundo, moderado y ligero, en señales registradas por el canal frontal F4 y los occipitales O1 y O2. Se realizó una comparación de la propuesta con otros métodos de clasificación.

Conclusiones: se computa una exactitud balanceada del 92,67 % en el reconocimiento de los tres estados de sedación en las señales registradas por el canal electroencefalográfico F4, lo cual favorece el desarrollo de la monitorización anestésica.

Palabras clave

señales electroencefalográficas; estados de sedación anestésica; reconocimiento automático; máquinas de soporte vectorial

Referencias

İnce R, Adanır SS, Sevmez F. The inventor of electroencephalography (EEG): Hans Berger (1873–1941). Childs Nerv Syst [Internet]. 2021 [citado 11 Ene 2022]; 37. DOI: https://doi.org/10.1007/s00381-020-04564-z

Gajbhiye P, Tripathy RK, Bhattacharyya A, Pachori RB. Novel Approaches for the Removal of Motion Artifact From EEG Recordings. IEEE Sensors J [Internet]. 2019 [citado 11 Ene 2022]; 19(22):10600-10608. DOI: http://dx.doi.org/10.1109/JSEN.2019.2931727

Bisht A, Kaur C, Singh P. Recent Advances in Artifact Removal Techniques for EEG Signal Processing. Intelligent Communication, Control and Devices. Adv Intel Sys Comp [Internet]. 2020 [citado 13 Ene 2022]; 989:[aproximadamente 8 p.]. DOI: https://doi.org/10.1007/978-981-13-8618-3_41

Afshani F, Shalbaf A, Shalbaf R, et al. Frontal–temporal functional connectivity of EEG signal by standardized permutation mutual information during anesthesia. Cogn Neurodyn [Internet]. 2019 [citado 13 Ene 2022]; 13:531-540. DOI: https://doi.org/10.1007/s11571-019-09553-w

Vlisides PE, Bel-Bahar T, Nelson A. Subanaesthetic ketamine and altered states of consciousness in humans. Brit J Anaesth [Internet]. 2018 [citado 11 Ene 2022]; 121(1):249-259. DOI: https://doi.org/10.1016/j.bja.2018.03.011

Moraes SB, Tarnal V, Vanini G, Bel-Behar T, et al. Network Efficiency and Posterior Alpha Patterns Are Markers of Recovery from General Anesthesia: A High-Density Electroencephalography Study in Healthy Volunteers. Fron Comp Neurosc [Internet]. 2017 [citado 13 Ene 2022]; 11(328):8. DOI: https://doi.org/10.3389/fnhum.2017.00328

Rathee D, Cecotti H, Prasad G. Propofol-induced sedation diminishes the strength of frontal-parietal-occipital EEG network. En: 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society; 2017. Disponible en: https://ieeexplore.ieee.org/abstract/document/8037847

Hambrecht-Wiedbusch VS, Li D, Mashour GA. Administration of Subanesthetic Ketamine during Isoflurane Anesthesia Induces Burst Suppression but Accelerates Recovery. Anesthesiol [Internet]. 2017 [citado 5 Dic 2021]; 126(3):482-491. DOI: https://doi.org/10.1097/aln.0000000000001512

Kreuzer M. EEG Based Monitoring of General Anesthesia: Taking the Next Steps. Fron Comp Neurosc [Internet]. 2017 [citado 5 Dic 2021]; 11(56):7. DOI: https://doi.org/10.3389/fncom.2017.00056

Sanders RD, Banks MI, Darracq M, Moran R, et al. Propofol-induced unresponsiveness is associated with impaired feedforward connectivity in cortical hierarchy. Brit J Anaesthesia [Internet]. 2018 [citado 13 Ene 2022]; 121(5):1084-1096. DOI: https://doi.org/10.1016/j.bja.2018.07.006

Soldevilla DL. On the Physiological Modulation and Potential Mechanisms Underlying Parieto-Occipital Alpha Oscillations. Fron Comp Neurosc [Internet]. 2018 [citado 11 Ene 2022]; 12(23):19. Disponible en: https://doi.org/10.3389%2Ffncom.2018.00023

Rodríguez Y, González T, Marañón E, Montoya A, Sanabria F. Aplicación de corrección de artefactos en el electroencefalograma para monitoreo anestésico. Rev Cubana Neurol Neurocir [Internet]. 2015 [citado 11 Ene 2022]; 5(1):S9-S14. Disponible en: http://revneuro.sld.cu/index.php/neu/article/view/179

Kubat M. An Introduction to Machine Learning. 1ed. 2015; 291.





Copyright (c) 2022 Revista Información Científica

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional.