Una red neuronal convolucional continua: las primeras EEG son las más predictivas de un mal resultado neurológico en...

Área de la Ciencia:

• Neurociencia
• Inteligencia Artificial en Medicina
• Medicina de Cuidados Críticos

Sus antecedentes:

• La estratificación precisa del resultado neurológico después de un paro cardíaco (PC) es crucial para el manejo del paciente.
• La electroencefalografía (EEG) proporciona información valiosa sobre la función cerebral después del PC.
• Las redes neuronales convolucionales (CNN) muestran potencial en el análisis de señales biológicas complejas como el EEG.

Objetivo del estudio:

• Evaluar la capacidad predictiva de un modelo CNN continuo utilizando datos de EEG a lo largo del tiempo después del PC.
• Comparar el rendimiento de las configuraciones de EEG de 9 y 4 electrodos para predecir un mal resultado neurológico.

Principales métodos:

• Se entrenó un modelo CNN con épocas de EEG por hora de 366 pacientes con coma postanóxico hasta 72 horas después del PC.
• El resultado neurológico se evaluó utilizando la escala de Categoría de Rendimiento Cerebral (CPC) dentro de los 6 meses.
• Se evaluó el rendimiento del modelo en función del AUC y la sensibilidad con un FPR del 0%, comparando predicciones acumulativas e independientes.

Principales resultados:

• El modelo CNN acumulativo de 9 electrodos logró un AUC de 82% y una sensibilidad del 71% con un FPR del 0%.
• La predicción óptima ocurrió dentro de las 8 horas posteriores al PC (AUC=0.93, sensibilidad=0.81 con un FPR del 0%).
• No se encontró una diferencia significativa en el rendimiento entre las configuraciones de 9 y 4 electrodos.

Conclusiones:

• Las CNN son herramientas valiosas para predecir un mal resultado neurológico en pacientes con coma postanóxico, particularmente con datos tempranos de EEG (6-14 horas después del PC).
• Una configuración reducida de EEG de 4 electrodos es tan efectiva como una configuración completa de 9 electrodos para la estratificación.
• La investigación futura puede refinar las CNN incorporando dependencias temporales de la señal de EEG.