Mejora de la evaluación de la profundidad anestésica mediante aprendizaje automático no supervisado en el análisis de...

Área de la Ciencia:

• Anestesiología; Aprendizaje automático; Procesamiento de señales

Sus antecedentes:

• Mantener una profundidad anestésica adecuada es fundamental para la seguridad del paciente durante la anestesia general.
• Los índices de electroencefalografía procesada (pEEG) se utilizan para monitorizar la profundidad anestésica, pero pueden ser propensos a imprecisiones.
• La interferencia de la actividad electromiográfica, la variabilidad individual y los efectos de los fármacos pueden comprometer la precisión del pEEG.

Objetivo del estudio:

• Desarrollar una metodología de aprendizaje automático no supervisado para la identificación automática de la profundidad anestésica utilizando datos de pEEG.
• Clasificar la profundidad anestésica en categorías distintas basadas en patrones inherentes en las señales de pEEG.
• Mejorar la precisión y fiabilidad de la monitorización de la profundidad anestésica.

Principales métodos:

• Análisis retrospectivo de datos de electroencefalografía (EEG) frontal de más de 16.000 puntos de datos.
• Aplicación de la agrupación Fuzzy C-Means (FCM) con parámetros específicos (c=3, m=2) para categorizar la profundidad anestésica.
• Extracción de relaciones de potencia de banda normalizada (delta, high-theta, alfa, beta) como características de entrada después del filtrado de la señal y la estimación de la densidad espectral.

Principales resultados:

• La agrupación FCM identificó con éxito tres clústeres fisiológicamente interpretables que corresponden a anestesia ligera, adecuada y profunda.
• La dinámica del EEG mostró patrones distintos en los clústeres, incluidos cambios en la actividad alfa y beta con la profundidad de la anestesia.
• Los valores de membresía difusa cuantificaron eficazmente los estados de transición y el continuo de la profundidad de la anestesia.

Conclusiones:

• El aprendizaje automático no supervisado, específicamente la agrupación FCM, es factible para mejorar la evaluación de la profundidad anestésica.
• Este enfoque mejora la comprensión de la profundidad de la anestesia y se integra con las herramientas de monitorización existentes.
• El método basado en FCM ofrece un complemento valioso a los índices de EEG actuales para mejorar la seguridad del paciente.