Un estudio de la Universidad de Cincinnati encontró que los modelos de aprendizaje automático pueden ayudar en la automatización y detección de la actividad anormal del cerebro que a veces se envía como un “tsunami cerebral”.
Jed Hartings de UC, PhD, es el autor de esta investigación publicada en la revista el 12 de marzo Informes científicos En detalle, cómo la automatización puede tratar el tratamiento de pacientes propagados (SDS).
¿Qué es la deshonra?
Hartings dijo que se cree que SDS se encuentra en pacientes con cualquier tipo de lesión cerebral, incluidas una variedad de accidentes cerebrovasculares y lesiones mentales mentales (LCT). Se cree que alrededor del 60 60 al 100 % de todos los pacientes en la categoría de estas diferentes enfermedades son SD.
Al igual que una batería, almacenada en células cerebrales o polarizadas, lo que les permite enviar señales entre sí. Durante el SD, las células cerebrales no tienen fundamento y no pueden enviar las señales eléctricas, lo que Hartings dijo, principalmente transforma las células cerebrales en una “bolsa grande de agua salina que ya no funciona”.
“Está en mal estado en un área local de tejido y luego se propaga como olas en el estanque”, dijo Hartings, profesor y departamento de investigación adjunto del Departamento de Cirugía Neuro de la UC College of Medicine, e interrumpe todos los aspectos de la función celular.
Los pacientes con SDS pueden haber ocurrido constantemente durante varios días, pero pueden continuar durante dos semanas incluso después de una lesión cerebral grave.
Detalles y resultados del estudio
La investigación se ha centrado en pacientes que tenían una tira de electrodos quirúrgicamente para monitorear la SDS. Los médicos también necesitan recibir capacitación específica sobre la lectura de la grabación de la onda cerebral para que puedan monitorear permanentemente los datos.
“Esto es oportuno y costoso, y algunos médicos tienen la mayor experiencia para diagnosticar SDS de manera confiable”, dijo Hartings. “Entonces, queríamos automatizar el diagnóstico de SD para que este monitor sea más capaz y ampliamente disponible”.
Hartings y sus colegas utilizaron más de 2,000 horas de datos de vigilancia mental de 24 pacientes que ingresaron en el hospital por LCT severa, y los expertos revisaron e identificaron manualmente más de 3,500 casos de SD únicos en el conjunto de datos.
La mitad del modelo de aprendizaje automático de datos de estos pacientes se utilizó para capacitar eventos SD adecuadamente y categorizado. Una vez que se capacitó al modelo, los investigadores usaron la otra mitad de los datos para descubrir cómo identificar con precisión los SD en los “nuevos” datos que nunca antes había visto.
“Mostramos que este método es capaz de identificarse con la sensibilidad avanzada y la característica de SDS”, dijo Harthans. “En general, el rendimiento fue como un anotador humano”.
Inesperadamente, el equipo descubrió que el algoritmo podía detectar muchos eventos SD que no se identificaron usando la puntuación humana, posiblemente debido a la objeción. Probando los límites del algoritmo, los investigadores encontraron que podían lograr un alto rendimiento utilizando una lectura de voltaje en 10 segundos, en comparación con el método normal para recopilar 256 puntos de datos por segundo.
“Si podemos lograr un alto rendimiento con información mínima, dejará una gran cantidad de ‘sala de cabeza’ para mejorar aún más su rendimiento al agregar información adicional”, dijo Harthans. “Este trabajo está sucediendo ahora”.
Los efectos del estudio
Hartings dijo que cuando el algoritmo se entiende e implementa completamente, la detección automática de SD permitirá que cualquier centro neuro quirúrgico monitoree a los pacientes con SDS, incluso si no tienen personal con esta capacitación especial.
“Muchos centros neuro -quirúrgicos están interesados en monitorear el SDS para atender a los pacientes, pero no tienen conocimiento o recursos para implementarlo”, dijo. “Leer automáticamente SD reducirá estos obstáculos y, con suerte, hará que esta tecnología sea más accesible y, por lo tanto, acelere la investigación y espere que el paciente se beneficie”.
Aunque los resultados del estudio son prometedores, Hartings advirtió que se necesitaban un mayor desarrollo y verificación antes de la detección automática, lo que reemplaza por completo las habilidades humanas y la detección de SDS.
Él dijo: “Creo que vamos en esta dirección. Pero si no, la detección automática reducirá las cargas de trabajo sustancialmente y aumentará los tiempos de reacción, ya que los médicos de alarma están revisando los datos antes de revisar los datos o revisar el progreso de los pacientes. “Esta es otra ventaja importante que no debe ignorarse”.
Los límites del estudio también incluyen la necesidad de tener una tira de electrodo en el cerebro durante la cirugía de neuro, lo que limita el número de pacientes, que puede supervisarse al someterse a una cirugía. Sin embargo, Hartings dijo que la investigación está en marcha para desarrollar métodos de detección no vioces que podrían usarse para monitorear a una gran población de pacientes.
En el futuro, Heartwinds y sus colegas continúan mejorando el algoritmo al verificar la implementación de grandes conjuntos de datos y software, con un plan para probar software para otras entidades y comenzar a usarlo para la atención y la investigación de los pacientes.
Además, el equipo está realizando ensayos como ensayos clínicos para determinar el tratamiento máximo para SDS. El tratamiento con SDS es mejor combinado con mejores herramientas para tener un método de detección más preciso puede tener un efecto significativo en la atención de los pacientes.
Los participantes del estudio incluyen Sarker Pachala de UC y Ethan Machin de la Universidad de Oregón. Los autores del estudio no declaran intereses competitivos.
