González-Rubio T, Rodríguez-Aldana Y, Marañon-Reyes EJ, Montoya-Pedrón A

Idioma: Español
Referencias bibliográficas: 13
Paginas: 1-12
Archivo PDF: 510.21 Kb.

RESUMEN

Introducción: La Anestesiología es la especialidad médica dedicada a la atención específica de los pacientes durante procedimientos quirúrgicos y en cuidados intensivos. Esta especialidad basada en los avances científicos y tecnológicos, ha incorporado el uso del monitoreo electroencefalográfico, facilitando el control continuo de estados de sedación anestésica durante las cirugías, con una adecuada concentración de fármacos.
Objetivo: Proponer una estrategia de clasificación para el reconocimiento automático de tres estados de sedación anestésica en señales electroencefalográficas.
Método: Se utilizaron con consentimiento informado escrito los registros electroencefalográficos de 27 pacientes sometidos a cirugía abdominal, excluyendo aquellos con antecedentes de epilepsia, enfermedades cerebrovasculares y otras afecciones neurológicas. Se aplicaron en total 12 fármacos anestésicos y dos relajantes musculares con montaje de 19 electrodos según el Sistema Internacional 10-20. Se eliminaron artefactos en los registros y se aplicaron técnicas de Inteligencia artificial para realizar el reconocimiento automático de los estados de sedación.
Resultados: Se propuso una estrategia basada en el uso de máquinas de soporte vectorial con algoritmo multiclase Uno-Contra-Resto y la métrica Similitud Coseno, para realizar el reconocimiento automático de tres estados de sedación: profundo, moderado y ligero, en señales registradas por el canal frontal F4 y los occipitales O1 y O2. Se realizó una comparación de la propuesta con otros métodos de clasificación.
Conclusiones: Se computa una exactitud balanceada del 92,67 % en el reconocimiento de los tres estados de sedación en las señales registradas por el canal electroencefalográfico F4, lo cual favorece el desarrollo de la monitorización anestésica.

REFERENCIAS (EN ESTE ARTÍCULO)

1. Ince R, Adanir SS, Sevmez F. The inventor of electroencephalography (EEG): Hans Berger (1873-1941). Childs Nerv Syst [Internet]. 2021 [citado 11/01/2022]; 37. DOI: https://doi.org/10.1007/s00381-020-04564-z1.

2. Gajbhiye P, Tripathy RK, Bhattacharyya A, Pachori RB. Novel Approaches for the Removal of Motion Artifact From EEG Recordings. IEEE Sensors J [Internet]. 2019 [citado 11/01/2022]; 19(22):10600-10608. DOI: http://dx.doi.org/10.1109/JSEN.2019.29317272.

3. Bisht A, Kaur C, Singh P. Recent Advances in Artifact Removal Techniques for EEG Signal Processing. Intelligent Communication, Control and Devices. Adv Intel Sys Comp [Internet]. 2020 [citado 13/01/2022]; 989:[aproximadamente 8 p.]. DOI: https://doi.org/10.1007/978-981-13-8618-3_413.

4. Afshani F, Shalbaf A, Shalbaf R, et al. Frontal-temporal functional connectivity of EEG signal by standardized permutation mutual information during anesthesia. Cogn Neurodyn [Internet]. 2019 [citado 13/01/2022]; 13:531-540. DOI: https://doi.org/10.1007/s11571-019-09553-w4.

5. Vlisides PE, Bel-Bahar T, Nelson A. Subanaesthetic ketamine and altered states of consciousness in humans. Brit J Anaesth [Internet]. 2018 [citado 11/01/2022]; 121(1):249-259. DOI: https://doi.org/10.1016/j.bja.2018.03.0115.

6. Moraes SB, Tarnal V, Vanini G, Bel-Behar T, et al. Network Efficiency and Posterior Alpha Patterns Are Markers of Recovery from General Anesthesia: A High-Density Electroencephalography Study in Healthy Volunteers. Fron Comp Neurosc [Internet]. 2017 [citado 13/01/2022]; 11(328):8. DOI: https://doi.org/10.3389/fnhum.2017.003286.

7. Rathee D, Cecotti H, Prasad G. Propofol-induced sedation diminishes the strength of frontal-parietal-occipital EEG network. En: 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society; 2017. IEEE; 2017. Disponible en: https://ieeexplore.ieee.org/abstract/document/80378477.

8. Hambrecht-Wiedbusch VS, Li D, Mashour GA. Administration of Subanesthetic Ketamine during Isoflurane Anesthesia Induces Burst Suppression but Accelerates Recovery. Anesthesiol [Internet]. 2017 [citado 05/12/2021]; 126(3):482-491. DOI: https://doi.org/10.1097/aln.00000000000015128.

9. Kreuzer M. EEG Based Monitoring of General Anesthesia: Taking the Next Steps. Fron Comp Neurosc [Internet]. 2017 [citado 05/12/2021]; 11(56):7. DOI: https://doi.org/10.3389/fncom.2017.000569.

10. Sanders RD, Banks MI, Darracq M, Moran R, et al. Propofol-induced unresponsiveness is associated with impaired feedforward connectivity in cortical hierarchy. Brit J Anaesthesia [Internet]. 2018 [citado 13/01/2022]; 121(5):1084-1096. DOI: https://doi.org/10.1016/j.bja.2018.07.00610.

11. Soldevilla DL. On the Physiological Modulation and Potential Mechanisms Underlying Parieto-Occipital Alpha Oscillations. Fron Comp Neurosc [Internet]. 2018 [citado 11/01/2022]; 12(23):19. Disponible en: https://doi.org/10.3389%2Ffncom.2018.0002311.

12. Rodríguez Y, González T, Marañón E, Montoya A, Sanabria F. Aplicación de corrección de artefactos en el electroencefalograma para monitoreo anestésico. Rev Cubana Neurol Neurocir [Internet]. 2015 [citado 11/01/2022]; 5(1):S9-S14. Disponible en: http://revneuro.sld.cu/index.php/neu/article/view/17912.

13. Kubat M. An Introduction to Machine Learning. 1ed. 2015; 291.