鎮静下における意識状態遷移のEEGに基づく被験者間予測のための深層学習フレームワーク

科学分野:

• 麻酔科学
• 神経科学
• 人工知能

背景:

• 術中覚醒は、現在の麻酔深度モニタリングの限界により、重大な懸念事項です。
• 従来の二値分類（意識あり/なし）では、麻酔導入および覚醒中の動的な遷移を捉えることができません。
• 麻酔薬の遷移は、個人および薬剤によって大きく異なります。

研究 の 目的:

• 意識、遷移、無反応の3つの異なる意識状態を分類すること。
• 脳波（EEG）信号を使用して、プロポフォールおよびミダゾラムによる鎮静中のこれらの状態を分析すること。
• 堅牢な分類のための新しい深層学習フレームワークを開発および検証すること。

主な方法:

• 新しい深層学習フレームワークDeep-ConTransを開発しました。
• このフレームワークは、共通空間パターン（CSP）フィルタリング、マルチドメイン特徴抽出、注意ベースの融合、およびドメイン敵対的トレーニングを組み込んでいます。
• 遷移は、患者制御鎮静パラダイムにおける行動反応性を使用して特定されました。

主要な成果:

• Deep-ConTransは高い平均分類精度を達成しました：プロポフォールで93.93%（±3.32%）、ミダゾラムで97.42%（±1.68%）。
• モデルは、プロポフォールとミダゾラム全体で性能を維持し、強力な麻酔薬間一般化能力を示しました。
• 遷移のEEG署名には、皮質二安定性と一致する、前頭葉デルタおよび頭頂葉アルファ電力の増加が含まれていました。

結論:

• Deep-ConTransは、二値評価よりも詳細で信頼性の高い術中モニタリング方法を提供します。
• モデルの一般化能力と感度により、重要な遷移を正確に特定でき、麻酔管理が向上します。
• このアプローチは、リアルタイムEEGダイナミクスに基づいた個別化された鎮静プロトコルを促進し、術中覚醒リスクを最小限に抑えます。