Predicción de Transiciones de Estado de Conciencia bajo Sedación Mediante EEG Utilizando un Marco de Aprendizaje...

Área de la Ciencia:

• Anestesiología; Neurociencia; Inteligencia Artificial

Sus antecedentes:

• La alerta intraoperatoria es una preocupación crítica debido a las limitaciones en la monitorización actual de la profundidad de la anestesia.
• Las clasificaciones binarias tradicionales (consciente/inconsciente) no logran capturar las transiciones dinámicas durante la inducción y el despertar de la anestesia.
• Las transiciones anestésicas varían significativamente entre individuos y agentes.

Objetivo del estudio:

• Clasificar tres estados de conciencia distintos: conciencia, transiciones e falta de respuesta.
• Analizar estos estados durante la sedación con propofol y midazolam utilizando señales de electroencefalograma (EEG).
• Desarrollar y validar un novedoso marco de aprendizaje profundo para una clasificación robusta.

Principales métodos:

• Se desarrolló un novedoso marco de aprendizaje profundo, Deep-ConTrans.
• El marco incorpora filtrado de patrón espacial común (CSP), extracción de características multidominio, fusión basada en atención y entrenamiento adversario de dominio.
• Las transiciones se identificaron utilizando la respuesta conductual en paradigmas de sedación controlada por el paciente.

Principales resultados:

• Deep-ConTrans logró altas precisiones de clasificación promedio: 93,93 % (±3,32 %) para propofol y 97,42 % (±1,68 %) para midazolam.
• El modelo demostró una fuerte generalización entre anestésicos, manteniendo el rendimiento entre propofol y midazolam.
• Las firmas de EEG de las transiciones incluyeron un aumento de la potencia delta frontal y alfa parietal, consistente con la bistabilidad cortical.

Conclusiones:

• Deep-ConTrans ofrece un método más granular y confiable para la monitorización intraoperatoria que las evaluaciones binarias.
• La generalización y sensibilidad del modelo permiten la identificación precisa de transiciones críticas, mejorando el manejo anestésico.
• Este enfoque facilita protocolos de sedación personalizados basados en la dinámica del EEG en tiempo real, minimizando el riesgo de alerta intraoperatoria.