Método multifactorial para la detección de convulsiones en tiempo real en la unidad de cuidados intensivos...

Área de la Ciencia:

• Neurología Pediátrica; Inteligencia Artificial en Medicina; Medicina de Cuidados Críticos

Sus antecedentes:

• La monitorización continua del electroencefalograma (cEEG) es crucial para detectar convulsiones electroclínicas en unidades de cuidados intensivos pediátricos (UCIP).; La detección oportuna y precisa de convulsiones en pacientes de la UCIP es un desafío pero vital para un manejo efectivo.

Objetivo del estudio:

• Desarrollar y evaluar un método de inteligencia artificial (IA) para la detección automática en tiempo real de convulsiones electroclínicas en la UCIP.; Evaluar la sensibilidad y especificidad del sistema de detección de IA.

Principales métodos:

• Se diseñó un método de IA para analizar señales de electroencefalograma (EEG), electromiografía (EMG) y electrocardiografía (ECG).; El sistema extrajo características multidimensionales, identificó fragmentos de señal candidatos en tiempo real y analizó indicadores de convulsiones electroclínicas.; El sistema de IA se probó en 28 pacientes de la UCIP con datos de convulsiones recopilados a través de monitorización cEEG.

Principales resultados:

• El algoritmo de IA analizó 218,73 horas de datos de EEG de 28 pacientes de la UCIP.; El sistema logró una sensibilidad de detección general del 94 % con una tasa de falsas detecciones de 0,18/h.; No se observaron diferencias significativas en el rendimiento entre convulsiones focales y generalizadas.

Conclusiones:

• El sistema de detección de IA desarrollado demuestra alta sensibilidad y especificidad para convulsiones electroclínicas en la UCIP.; Este método de IA tiene un potencial significativo para la detección automática de convulsiones en tiempo real, mejorando la atención a niños en estado crítico.; El sistema identificó de manera confiable las convulsiones integrando la actividad cerebral, el movimiento muscular y las señales de la frecuencia cardíaca.