EEG neonatal clasificado según la gravedad de las anomalías de fondo en pacientes hipóxicos

Scientific Data volumen 10, Número de artículo: 129 (2023) Citar este artículo

1125 Accesos

3 Altmetric

Detalles de métricas

Este informe describe un conjunto de registros de electroencefalograma (EEG) neonatal clasificados según la gravedad de las anomalías en el patrón de fondo. El conjunto de datos consta de 169 horas de EEG multicanal de 53 recién nacidos registrados en una unidad de cuidados intensivos neonatales. Todos los recién nacidos recibieron un diagnóstico de encefalopatía hipóxico-isquémica (EHI), la causa más común de lesión cerebral en los recién nacidos a término. Para cada recién nacido, se seleccionaron múltiples épocas de 1 hora de EEG de buena calidad y luego se clasificaron según las anomalías de fondo. El sistema de clasificación evalúa los atributos del EEG, como la amplitud, la continuidad, los ciclos de sueño y vigilia, la simetría y la sincronía, y las formas de onda anormales. Luego, la gravedad de fondo se clasificó en 4 grados: EEG normal o levemente anormal, EEG moderadamente anormal, EEG mayormente anormal y EEG inactivo. Los datos se pueden utilizar como un conjunto de referencia de EEG multicanal para recién nacidos con HIE, con fines de entrenamiento de EEG o para desarrollar y evaluar algoritmos de calificación automatizados.

El suministro deficiente de oxígeno o el flujo de sangre al cerebro alrededor del momento del nacimiento pueden causar una lesión cerebral. Los bebés pueden desarrollar una encefalopatía llamada encefalopatía hipóxico-isquémica (EHI), que es la principal causa de muerte y discapacidad en los recién nacidos a término. Las tasas de incidencia de EHI son de alrededor de 2 por cada 1000 partos en países de ingresos altos con tasas más altas en países de ingresos bajos a medios1. La EHI puede causar la muerte neonatal o un deterioro neurológico y del neurodesarrollo significativo, como parálisis cerebral, epilepsia o problemas de aprendizaje2. HIE es una lesión cerebral en evolución. La lesión primaria es seguida por una fase latente que dura aproximadamente 6 horas. A esto le sigue la fase de lesión secundaria, una fase retrasada de muerte celular programada. La hipotermia terapéutica es la única intervención disponible para lactantes con EHI de moderada a grave y debe instigarse antes del inicio de la fase secundaria de la lesión para que sea eficaz.

El electroencefalograma (EEG) permite la monitorización continua de la función cerebral en la cabecera del paciente. Un insulto hipóxico-isquémico puede alterar el patrón de fondo normal del EEG, proporcionando una visión única de la disfunción cerebral3. Esta desviación del fondo EEG normal se asocia con un resultado adverso del desarrollo neurológico4,5,6. Dado que el EEG es una medida valiosa de la gravedad de la encefalopatía en curso, puede ser particularmente beneficioso cuando se inicia dentro de la fase primaria de la lesión para ayudar a determinar qué bebés pueden beneficiarse de la hipotermia terapéutica7.

La revisión del EEG requiere experiencia especializada que no siempre está disponible en las unidades de cuidados intensivos neonatales. Los métodos informáticos tienen el potencial de automatizar el proceso de clasificación de la actividad EEG de fondo según la gravedad de la lesión. Estos métodos automatizados podrían producir una medida objetiva continua de la actividad EEG que podría escalarse fácilmente para monitorear un gran volumen de neonatos, mucho más allá de lo que sería humanamente posible. Se han desarrollado muchos métodos para generar sistemas de calificación de fondo8,9,10,11,12,13,14,15,16,17. Este cuerpo de trabajo existente destaca el potencial del procesamiento de señales y los métodos de aprendizaje automático para construir clasificadores precisos de EEG de fondo. A pesar de este progreso significativo, se puede lograr más en esta área. Hasta ahora, el progreso se ha limitado a grupos de investigación individuales que siguen diferentes enfoques. La comparación de métodos es difícil por muchas razones17, incluida la falta de un esquema de calificación estándar aceptado3 y datos de EEG disponibles gratuitamente. Con el objetivo de abordar algunas de estas limitaciones, e inspirados por el éxito de un conjunto de datos de EEG neonatal de acceso abierto con anotaciones18, presentamos un conjunto de datos de EEG de acceso abierto registrado dentro de los primeros días después del nacimiento para bebés con un diagnóstico de EHI. Se clasificaron múltiples épocas de EEG de 1 hora para cada bebé según la gravedad de la anomalía de fondo. Estos datos podrían usarse para desarrollar nuevos algoritmos o comparar los existentes. Los datos también podrían usarse para ayudar en el entrenamiento de la revisión del EEG neonatal de fondo.

Se recuperó un subconjunto de registros de EEG de los datos recopilados durante una prueba de dispositivo médico. La investigación clínica evaluó la eficacia de un algoritmo de aprendizaje automático para detectar convulsiones19,20. Los recién nacidos clínicamente determinados como en riesgo de convulsiones, con una edad gestacional entre 36 y 44 semanas, e ingresados en la unidad de cuidados intensivos neonatales (UCIN) fueron considerados para su inclusión en el estudio. Después del consentimiento por escrito e informado de un tutor o padre, los recién nacidos se inscribieron durante un período de enero de 2011 a febrero de 2017. Se recopilaron datos en 8 centros neonatales en Irlanda, los Países Bajos, Suecia y el Reino Unido.

Como parte del ensayo de dispositivos médicos, se reclutaron 472 recién nacidos20. De este grupo, se seleccionaron 284 neonatos con diagnóstico clínico de EHI y registro EEG válido de al menos 6 horas de duración. Dieciocho bebés fueron excluidos debido a un diagnóstico combinado, 68 fueron retenidos para un futuro conjunto de validación para el desarrollo de un algoritmo de EEG y 17 fueron excluidos porque el EEG no comenzó dentro de las 48 horas posteriores al nacimiento. De los 181 restantes, solo incluimos 54 recién nacidos para los que teníamos permiso para compartir los datos. Es decir, los EEG que se registraron en el Hospital de Maternidad de la Universidad de Cork, Irlanda. Después de un examen más detallado del EEG, se excluyó a otro recién nacido debido a la baja calidad del registro del EEG. Para esta cohorte de 53 recién nacidos, la mediana de edad gestacional fue de 40 semanas, la mayoría eran hombres (62 %) y la mayoría (58 %) recibió hipotermia terapéutica, como se presenta en la Tabla 1.

El estudio para recopilar datos de EEG en el Hospital de Maternidad de la Universidad de Cork fue aprobado por el Comité de Investigación Ética de Cork. El mismo comité de ética también aprobó la publicación de acceso abierto de las grabaciones de EEG total e irrevocablemente anonimizadas. El permiso para compartir los datos se obtuvo del Oficial de Protección de Datos en University College Cork, Irlanda.

El EEG se registró lo antes posible después del nacimiento durante un período prolongado de hasta 100 horas después del nacimiento. Se utilizaron dos máquinas de EEG, NicoletOne ICU Monitor (Natus, Middleton, WI, EE. UU.) para 24 neonatos y Neurofax EEG-1200 (Nihon Kohden, Tokio, Japón) para 29 neonatos. El EEG se muestreó a una frecuencia de 256 Hz (NicoletOne) y 200 Hz (Neurofax). Los electrodos desechables se colocaron en las regiones central (C3 y C4), frontal (F3 y F4), occipital (O1 y O2), temporal (T3 y T4) y en la línea media (Cz), utilizando una versión reducida de los 10 :20 sistema internacional20. El EEG se registró en relación con un canal de referencia: un promedio entre C3 y C4 para las grabaciones de Neurofax y FCz, una ubicación en la línea media entre Fz y Cz, para las grabaciones de NicoletOne.

El EEG se exportó del formato patentado de las máquinas NicoletOne y Neurofax al formato abierto de archivos de datos europeos (EDF) y se almacenó de forma segura para el análisis fuera de línea. Todos los datos fueron completamente anonimizados. Para cada recién nacido, se eliminaron un máximo de 5 épocas de 1 hora del registro de EEG continuo. Los artefactos no son infrecuentes en EEG de larga duración registrados en un entorno de cuidados intensivos ocupado. Las épocas se seleccionaron para evitar la mayor cantidad posible de artefactos y para todas las épocas, la mayoría de la época estuvo libre de artefactos. Se distribuyeron en el tiempo a lo largo de la duración del registro continuo, pero se limitaron a las primeras 48 horas después del nacimiento. En total, 169 épocas, exactamente 60 minutos de duración, se incluyeron en el conjunto de datos. La mediana del número de épocas por neonato fue de 3, con un rango intercuartílico de 2 a 4. La Figura 1a ilustra la distribución de épocas por neonato.

Distribución de épocas EEG. Se eliminaron ciento sesenta y nueve épocas de 1 hora a partir de registros continuos de EEG de 53 recién nacidos. Distribución de épocas por bebé en (a) y grados de encefalopatía hipóxico-isquémica (HIE) EEG en (b). Algunos neonatos tienen más de un grado a lo largo de las épocas: (c) ilustra la distribución de todas las combinaciones posibles de conjuntos de grados por neonato.

Dos fisiólogos clínicos con experiencia en EEG neonatal (autores SRM y GBB) calificaron de forma independiente cada época utilizando un esquema de clasificación de EEG de uso común6,8,9,16. La Tabla 2 proporciona un resumen de este sistema de calificación. Cuando los grados no estaban de acuerdo entre los 2 expertos, revisaron conjuntamente la época y decidieron un grado de consenso. El sistema de clasificación incluye medidas de diversos grados de actividad discontinua, patrones normales y anormales, simetría y sincronía de actividad en los hemisferios, y la calidad o falta de ciclos de sueño y vigilia. Los detalles completos del sistema de clasificación se pueden encontrar en Murray et al.6. Aunque las convulsiones no forman parte del sistema de clasificación, algunas épocas sí contenían convulsiones de corta duración. Debido a la naturaleza de corta duración de estas convulsiones en comparación con el período de 1 hora, hubo suficiente actividad de fondo para asignar un grado que no se basó únicamente en la presencia de convulsiones. El grado 0 (EEG normal) y el grado 1 (EEG levemente anormal) se combinaron en un nuevo grado 1, para representar tanto el EEG normal como el levemente anormal. La distribución de estos 4 grados para las 169 épocas se ilustra en la Fig. 1b. La gran mayoría de las épocas son de grado 1: 104 para el grado 1, 31 para el grado 2, 22 para el grado 3 y 12 para el grado 4. No todos los recién nacidos tuvieron el mismo grado en todas las épocas, como se ilustra en la figura 1c. El conjunto de calificaciones más común fue {1} (n = 25), seguido de {1, 2} (n = 10) y {1, 2, 3} (n = 4). Un recién nacido tenía los 4 grados en 5 épocas. En la figura 2 se presentan ejemplos de segmentos de EEG para cada grado.

Ejemplos de diferentes grados de EEG. Treinta y seis segundos de EEG de diferentes neonatos. (a) EEG normal o levemente anormal (grado 1); (b) EEG moderadamente anormal (grado 2); (c) anomalías importantes (grado 3); (d) EEG inactivo (grado 4). Los intervalos entre ráfagas (IBI) se anotan en los ejemplos de grado 2 y grado 3. Todos los EEG están en montaje bipolar, trazados con la misma escala de tiempo y amplitud, y filtrados de paso de banda de 0,3 a 35 Hz.

Los datos del EEG con grados para cada época están disponibles en Zenodo (https://doi.org/10.5281/zenodo.7477575)21. Los datos se proporcionan como archivos EDF y como archivos comprimidos de valores separados por comas (CSV). Los archivos EDF se almacenan en la carpeta EDF_format/ y los archivos CSV se almacenan en la carpeta CSV_format/. Cada época de 1 hora se almacena como un archivo separado, utilizando la convención de nombre de archivo IDXX_epochY. Por ejemplo, el archivo ID10_epoch3 es la tercera época para el bebé 10. Un archivo separado llamado eeg_grades.csv, en formato CSV, contiene las calificaciones asignadas a cada época. Otro archivo CSV (metadata.csv) contiene información adicional sobre las épocas: una descripción de la calidad del EEG, si hay convulsiones o no, el electrodo de referencia utilizado en el registro y la frecuencia de muestreo.

El EEG se registró de acuerdo con los estándares clínicos en la UCIN. Las épocas de EEG fueron seleccionadas para ser de alta calidad, con artefactos reducidos. Sin embargo, como estos EEG se registran en un entorno de cuidados intensivos muy activo, no están completamente libres de artefactos. La Figura 3 muestra un ejemplo de algunos artefactos. Los tipos de artefactos varían de origen biológico, como artefactos de sudor, músculo o respiración; a artefactos de origen no biológico, como la interferencia de la fuente de alimentación de 50 Hz de dispositivos cercanos. Las comprobaciones periódicas de la impedancia de los electrodos provocan una pausa en el registro del EEG, lo que da como resultado períodos de EEG plano, cercano a cero. La mediana de la duración del trazo plano en las épocas de 60 minutos fue de 0,7 segundos, con un rango intercuartílico de 0,4 a 1,0 segundos y un rango de 0 a 431,1 segundos.

Ejemplos de algunos artefactos típicos de EEG. Treinta y seis segundos de EEG de diferentes neonatos. Segmento de EEG con (a) artefacto de movimiento de gran amplitud (EEG de grado 1); (b) artefacto de sudor (también EEG de grado 1); (c) artefacto de ECG en C4-O2 y C4-T4 y artefacto muscular de alta frecuencia, más prominente en F3-C3 (EEG de grado 3); (d) artefacto de respiración a través de los canales del hemisferio izquierdo, claramente visible en C3-O1 (EEG de grado 4). Todos los EEG están en montaje bipolar y filtrado de paso de banda de 0,1 a 35 Hz.

Como parte de un control de calidad de la grabación de EEG, comparamos la potencia de EEG a frecuencias más bajas y más altas. La actividad de frecuencia más baja es una medida de la actividad cortical, mientras que es poco probable que la frecuencia más alta mida la actividad cortical y es más probable que no sea más que el ruido de fondo18. Calculamos la potencia por canal en el montaje bipolar F3–C3, T3–C3, O1–C3, C3–Cz, Cz–C4, F4–C4, T4–C4 y O2–C4. Cada canal se filtra con un paso de banda con un filtro de respuesta de impulso infinito (IIR), un filtro Chebyshev tipo II de orden 21. Luego se calcula la potencia dentro de las bandas de paso de 0,5 a 16 Hz (baja frecuencia) y de 77 a 99 Hz (alta frecuencia). La potencia mediana, en todas las épocas, para la banda de baja frecuencia es de 175,4 μV2 (rango intercuartílico, IQR: 83,7 a 419,8 μV2) y 8,4 μV2 (IQR: 1,6 a 36,2 μV2) para la banda de frecuencia más alta. Por lo tanto, encontramos que nuestras estimaciones del ruido de fondo son considerablemente más bajas que el registro de la actividad cerebral del EEG.

A continuación, para validar aún más la calidad técnica del EEG, calculamos la respuesta de frecuencia para todas las épocas y generamos un conjunto de características EEG cuantitativas (qEEG)22,23. Las densidades espectrales de potencia (PSD) se estimaron utilizando el método de Welch con una ventana de Hamming de 8 segundos y un 75% de superposición. Los PSD se calcularon por canal utilizando el mismo montaje bipolar descrito anteriormente. La estimación de cada canal luego se promedia sobre los 8 canales para el período de 1 hora. La Figura 4 resume los PSD para todas las épocas por grado. Los grados 1 a 3 indican una respuesta de frecuencia logarítmica lineal, conocida como respuesta de ley de potencia, de acuerdo con la comprensión actual del EEG neonatal10,22,24,25. Para el grado 4, la respuesta parece más no lineal, pero el menor número de épocas en este grupo (12, en comparación con 23, 31 y 105) puede ser un factor aquí.

Espectros trazados en una escala logarítmica a partir de épocas para cada grado (a) y un gran promedio para todas las épocas (b). Las líneas gruesas representan el valor medio en todas las épocas, y las áreas sombreadas representan el rango intercuartílico en (a) y (b) y el rango del percentil 95 en (b). Hay 104 épocas para el grado 1, 31 para el grado 2, 22 para el grado 3 y 12 para el grado 4.

El conjunto de características qEEG constaba de 5 características: potencia espectral, rango-EEG (rEEG), coherencia interhemisférica, dimensión fractal y frecuencia de borde espectral22,23. Las características se estiman utilizando el mismo montaje bipolar descrito anteriormente. Las características de potencia espectral y coherencia se generan por separado en 4 bandas de frecuencia: delta (0,5 a 4 Hz), theta (4 a 7 Hz), alfa (7 a 13 Hz) y beta (13 a 30 Hz). El rEEG se calcula dentro del ancho de banda de 1 a 20 Hz y se evalúa en los márgenes inferior, medio y superior23. La coherencia interhemisférica es un valor promedio de coherencia calculado entre los siguientes pares de canales: F3–C3 y F4–C4, T3–C3 y T4–C4, y O1–C3 y O2–C4. La potencia espectral, la coherencia, la dimensión fractal y la frecuencia del borde espectral (95 %) se estiman en un segmento de EEG de 64 segundos con un 50 % de superposición. El valor medio de todos los segmentos se utiliza para resumir la característica durante la época de 1 hora. Todas las características, excepto la coherencia, se estiman canal por canal y se resumen por el valor medio de todos los canales. Las funciones se generaron utilizando la caja de herramientas NEURAL (https://github.com/otoolej/qEEG_feature_set, versión 0.4.4).

La Figura 5 traza la distribución de las 5 características, destacando las diferencias de muchas características en los 4 grados. El rEEG en la Fig. 5a, una medida del voltaje pico a pico, muestra una amplitud EEG decreciente a través de los 4 grados, con la diferencia entre los grados particularmente pronunciada en la característica mediana del rEEG. De manera similar, la diferencia en la potencia espectral para los 4 grados en las 4 bandas de frecuencia es evidente en la Fig. 5b. Existe una coherencia interhemisférica significativa, aunque de valor bajo, en las 4 bandas de frecuencia, con niveles más altos de coherencia en la banda delta (0,5–4 Hz) en comparación con las otras 3 bandas de frecuencia. Tanto la dimensión fractal como las gráficas de frecuencia del borde espectral indican una diferencia en la forma espectral de los grados, en forma de una pendiente decreciente de los espectros logarítmicos con grados crecientes.

Medidas de resumen cuantitativas del EEG para los 4 grados HIE-EEG. Tres medidas resumidas del EEG de rango (rEEG) en (a), potencia espectral en (b), coherencia interhemisférica en (c), dimensión fractal en (d) y frecuencia de borde espectral en (e). Las características de potencia espectral y coherencia se calculan para 4 bandas de frecuencia diferentes.

Los archivos EEG se almacenan en formato EDF y CSV. El formato EDF se desarrolló en 1992 para archivos EEG de sueño y se ha mantenido como un formato abierto estándar para archivos EEG26. Los archivos EDF se pueden ver en la mayoría de los programas de revisión de EEG, incluidas las versiones gratuitas como EDFbrowser (https://www.teuniz.net/edfbrowser/). El formato almacena datos en números enteros de 16 bits y, por lo tanto, es probable que se conviertan a números de coma flotante de 64 bits antes del análisis o visualización de los datos. El almacenamiento de EEG en números enteros de 16 bits reduce el tamaño del archivo en comparación con los números de punto flotante de 64 bits, pero lo hace con pérdida; sin embargo, muchos algoritmos de compresión sin pérdida ahora pueden igualar esta compresión sin pérdida de información. A pesar de su estructura obsoleta, sigue siendo un formato abierto estándar para la revisión de EEG.

Para el análisis con herramientas de software, se requieren bibliotecas especiales para leer archivos EDF, ya que este formato no se usa para otros tipos de datos. Por este motivo, para simplificar el proceso de carga de datos para el análisis, también proporcionamos el formato CSV ampliamente accesible. Nuestro formato CSV almacena el tiempo (en segundos) y el voltaje (en microvoltios) en cada uno de los 9 canales. La primera línea de cada archivo CSV contiene un encabezado con el nombre de cada columna. Estos archivos se comprimen utilizando el formato XZ multiplataforma, que utiliza el algoritmo de cadena Lempel-Ziv-Markov. Se pueden utilizar herramientas de compresión disponibles gratuitamente para descomprimir los archivos. Por ejemplo, 7z (https://www.7-zip.org/) para sistemas operativos Windows o XZ Utils (https://tukaani.org/xz/) para sistemas operativos Linux. Alternativamente, muchos lenguajes de programación pueden proporcionar esta descompresión al importar los datos. En el entorno de programación Python (Python Software Foundation, https://www.python.org/), por ejemplo, la función read_csv del paquete Pandas puede leer directamente los datos tabulares comprimidos con XZ27:

importar pandas como pd eeg_df = pd.read_csv("ID10_epoch3.csv.xz")

por ejemplo, archivo ID10_epoch3.csv.xz. Del mismo modo, el entorno de programación R (R Core Team, https://www.R-project.org/), la función read.csv puede importar directamente datos en formato XZ comprimido.

eeg_df < - read.csv("ID10_epoch3.csv.xz")

Para Matlab (The Mathworks, Inc., Estados Unidos) y Julia (The Julia Project, https://julialang.org/)28, los archivos CSV deben descomprimirse antes de importarlos. En Matlab,

eeg_tb = readtable("ID10_epoch3.csv"); donde ID10_epoch3.csv es la versión sin comprimir de ID10_epoch3.csv.xz. En Julia,

usando CSV usando DataFrames eeg_df = CSV.read("ID10_epoch3.csv", DataFrame)

Los datos podrían ser utilizados con fines de formación. Para esto, los datos se pueden ver en un visor de EEG utilizando un montaje referencial o bipolar. Los datos se proporcionan en el formato de referencia sin procesar para fines de procesamiento; sin embargo, el análisis visual generalmente se realiza mediante un montaje bipolar. El montaje bipolar que se muestra durante la grabación y se utiliza para la puntuación de fondo contiene los siguientes pares de electrodos bipolares: F4–C4, C4–O2, F3–C3, C3–O1, T4–C4, C4–Cz, Cz–C3, C3–T3. Este contiene elementos tanto anteroposteriores como transversales. Los ajustes típicos de visualización para revisar el EEG neonatal incluyen: sensibilidad de 70 a 100 μV/cm, base de tiempo de 15 a 20 mm/seg y filtro de paso de banda de 0,5 a 70 Hz. Los canales EEG de amplitud integrada (aEEG) son populares en la revisión clínica y dentro de este montaje pueden incluir canales aEEG para F4-C4, F3-C3 y C4-C3.

Los datos de EEG también podrían usarse para desarrollar un algoritmo de clasificación de EEG automatizado. Estos algoritmos de clasificación utilizan métodos de procesamiento de señales y aprendizaje automático para extraer información del EEG que es característica del grado particular de EEG8,9,10,11,12,13,14,15,16,17. La primera etapa en el desarrollo de algoritmos es preprocesar los datos. Esto incluirá un filtro de paso de banda, normalmente seguido de reducción de muestreo. El filtro de paso de banda, de 0,5 a 30 Hz, por ejemplo, elimina el ruido de la línea de alimentación de 50 Hz y la actividad muy lenta (<0,5 Hz) a menudo asociada con artefactos como la deriva de CC o el sudor. El filtro de paso de banda también permite reducir la resolución sin solapamiento. La reducción de muestreo se aplica comúnmente para reducir la carga computacional del algoritmo con una pérdida insignificante en el rendimiento. El EEG preprocesado está listo para usarse en un clasificador para calificar el EEG.

Hay 2 enfoques para desarrollar un algoritmo de calificación que incorporan modelos de aprendizaje automático. El primero es usar métodos de procesamiento de señales para extraer un conjunto de características del EEG preprocesado y luego combinar estas características usando un modelo de aprendizaje automático8,9,10,11,12,13,14,15,17. Para este enfoque, debemos desarrollar y curar un conjunto de características que generalice adecuadamente los principales factores discriminatorios entre los 4 grados. Como indica la Fig. 5, existen potencialmente muchas características diferentes que podrían discriminar, con diferentes niveles de precisión, entre los 4 grados. El segundo enfoque consiste en utilizar métodos de aprendizaje profundo, que proporcionan una solución integral (EEG hasta el grado)16,29. Estos métodos extraen y combinan automáticamente las funciones en una sola red neuronal. Para este enfoque, debemos seleccionar el tipo de red neuronal a utilizar, por ejemplo, una red neuronal convolucional o recurrente, y luego diseñar la arquitectura específica de la red.

Para ambos enfoques, el modelo de aprendizaje automático se construye utilizando un enfoque basado en datos mediante capacitación y pruebas. Recomendamos entrenar y probar el modelo usando alguna forma de validación cruzada, idealmente dejar uno fuera. La división de los datos de entrenamiento y prueba debe hacerse a nivel de recién nacido, no a nivel de época. Esto evitará probar un modelo que fue entrenado usando épocas del mismo recién nacido. Independientemente del enfoque que se utilice, lamentablemente no existe un modelo único para todos. Es decir, diferentes aplicaciones requerirán diferentes modelos. Se requiere un cuidado y una atención considerables en el proceso de diseño para desarrollar un clasificador preciso y robusto, pero ciertamente vale la pena el esfuerzo dada la utilidad clínica potencial de dicho algoritmo para mejorar los resultados de salud de los bebés con EHI.

No se utilizó código personalizado para generar los datos. Los archivos EEG se exportaron desde un formato propietario a archivos EDF utilizando el software de revisión EEG asociado para las máquinas NicoletOne y Neurofax EEG. Los detalles sobre cómo ver los datos de EEG e importarlos a entornos de programación se describen en la sección Notas de uso.

Para ayudar con el análisis computarizado del EEG, proporcionamos un código disponible gratuitamente para reducir la muestra del EEG a una tasa de muestreo más baja y uniforme. Para el análisis cuantitativo o de aprendizaje automático, el EEG neonatal a menudo se reduce a una frecuencia de muestreo más baja, ya que la mayoría de la potencia suele estar por debajo de 10 a 20 Hz. Por ejemplo, la Fig. 5e muestra que el 95 % de la potencia espectral está por debajo de 25 Hz. Las rutinas de procesamiento incluyen un filtro anti-aliasing antes de la reducción de resolución. Las versiones Matlab y Python del código se incluyen en https://github.com/otoolej/downsample_open_eeg (confirmación: 22e92db).

Kurinczuk, JJ, White-Koning, M. & Badawi, N. Epidemiología de la encefalopatía neonatal y la encefalopatía hipóxico-isquémica. Hum temprano. desarrollo 86, 329–338 (2010).

Artículo PubMed Google Académico

Pérez, A. et al. Resultado del desarrollo neurológico a largo plazo con encefalopatía hipóxico-isquémica. J. Pediatría. 163, 454–459 (2013).

Artículo PubMed Google Académico

Walsh, BH, Murray, DM & Boylan, GB El uso de EEG convencional para la evaluación de la encefalopatía hipóxica isquémica en el recién nacido: una revisión. clin. Neurofisiol. 122, 1284–1294 (2011).

Artículo CAS PubMed Google Académico

Holmes, G. et al. Valor pronóstico del electroencefalograma en la asfixia neonatal. Electroencefalograma clin. Neurofisiol. 53, 60–72 (1982).

Artículo CAS PubMed Google Académico

Pressler, RM, Boylan, GB, Morton, M., Binnie, CD y Rennie, JM EEG temprano en serie en la encefalopatía hipóxica isquémica. clin. Neurofisiol. 112, 31–37 (2001).

Artículo CAS PubMed Google Académico

Murray, DM, Boylan, GB, Ryan, CA y Connolly, S. Los hallazgos tempranos del EEG en la encefalopatía hipóxico-isquémica predicen los resultados a los 2 años. Pediatría 124, 459–467 (2009).

Artículo Google Académico

Tagin, MA, Woolcott, CG, Vincer, MJ, Whyte, RK & Stinson, DA Hipotermia para la encefalopatía isquémica hipóxica neonatal: una revisión sistemática actualizada y un metanálisis. Archives of Pediatrics and Adolescent Medicine 166, 558–566 (2012).

Artículo PubMed Google Académico

Korotchikova, I., Stevenson, NJ, Walsh, BH, Murray, DM y Boylan, GB Análisis cuantitativo de EEG en la encefalopatía hipóxica isquémica neonatal. clin. Neurofisiol. 122, 1671–1678 (2011).

Artículo CAS PubMed Google Académico

Ahmed, R., Temko, A., Marnane, W., Lightbody, G. y Boylan, G. Clasificación de la gravedad de la encefalopatía hipóxica-isquémica en el EEG neonatal mediante supervectores GMM y la máquina de vectores de soporte. clin. Neurofisiol. 127, 297–309 (2016).

Artículo PubMed Google Académico

Stevenson, Nueva Jersey y col. Un sistema automatizado para clasificar las anomalías del EEG en recién nacidos a término con encefalopatía hipóxico-isquémica. Anales Biomed. Ing. 41, 775–785 (2013).

Artículo CAS Google Académico

Raurale, SA et al. Detector de alternancia Tracé para clasificar la encefalopatía hipóxica-isquémica en el EEG neonatal. En 29 Eur. Proceso de señal. Conf., 1177–1181, (IEEE 2021).

Raurale, SA, Nalband, S., Boylan, GB, Lightbody, G. y O'Toole, JM Idoneidad de un método de detección entre ráfagas para clasificar la encefalopatía hipóxico-isquémica en el EEG del recién nacido. En 41 Int. Conf. Ing. IEEE Medicina. Biol. Soc., 4125–4128, (IEEE 2019).

Matic, V. et al. Enfoque holístico para la evaluación automática de EEG de fondo en recién nacidos a término asfixiados. J. Neural Ing. 11, 66007 (2014).

Artículo Google Académico

Matic, V. et al. Mejora de la fiabilidad de la monitorización de la dinámica EEG de fondo en lactantes asfixiados. Trans. IEEE. biomedicina Ing. 63, 973–983 (2015).

Artículo PubMed Google Académico

Guo, J., Cheng, X. & Wu, D. Método de calificación para la encefalopatía hipóxico-isquémica basado en EEG neonatal. Modelado informático en ingeniería y ciencias 122, 721–741 (2020).

Artículo Google Académico

Raurale, SA et al. Clasificación de la encefalopatía hipóxico-isquémica en el EEG neonatal con redes neuronales convolucionales y distribuciones cuadráticas de tiempo-frecuencia. J. Neural Ing. 18, 046007 (2021).

Artículo ADS PubMed Central Google Scholar

Moghadam, SM et al. Creación de un clasificador de código abierto para el fondo de EEG neonatal: un enfoque sistemático basado en características desde la puntuación de expertos hasta la visualización clínica. Frente. Neurociencia Humana. 15, 1–15 (2021).

Artículo Google Académico

Stevenson, NJ, Tapani, K., Lauronen, L. y Vanhatalo, S. Un conjunto de datos de registros EEG neonatales con anotaciones de convulsiones. ciencia Datos 6, 1–8 (2019).

Artículo CAS Google Académico

Pavel, AM et al. Un algoritmo de aprendizaje automático para el reconocimiento de convulsiones neonatales: un ensayo controlado, aleatorizado y multicéntrico. Lancet Niño Adolescente. Sanar. 4, 740–749 (2020).

Artículo Google Académico

Pavel, AM et al. Manejo de las convulsiones neonatales: ¿es crítico el momento del tratamiento? J. Pediatría. 243, 61–68 (2021).

Artículo PubMed Google Académico

O'Toole, JM et al. EEG neonatal clasificado según la gravedad de las anomalías de fondo. Zenodo https://doi.org/10.5281/zenodo.7477575 (2022).

Finn, D., O'Toole, JM, Dempsey, EM & Boylan, GB EEG para la evaluación de la función neurológica en recién nacidos inmediatamente después del nacimiento. Arco. Dis. Niño. Ed. Fetal Neonatal. 104, F510–F514 (2019).

Artículo PubMed Google Académico

O'Toole, JM & Boylan, GB Análisis cuantitativo de EEG prematuro: la necesidad de precaución al usar técnicas modernas de ciencia de datos. Frente. pediatra 7, 174 (2019).

Artículo PubMed PubMed Central Google Académico

Korotchikova, I. et al. EEG en el recién nacido a término sano dentro de las 12 horas posteriores al nacimiento. clin. Neurofisiol. 120, 1046–1053 (2009).

Artículo CAS PubMed Google Académico

Stevenson, NJ, Mesbah, M., Boylan, GB, Colditz, PB y Boashash, B. Un modelo no lineal de EEG para recién nacidos con entradas no estacionarias. Anales Biomed. Ing. 38, 3010-3021 (2010).

Artículo CAS Google Académico

Kemp, B., Värri, A., Rosa, AC, Nielsen, KD & Gade, J. Un formato simple para el intercambio de grabaciones poligráficas digitalizadas. Electroencefalograma clin. Neurofisiol. 82, 391–393 (1992).

Artículo CAS PubMed Google Académico

El equipo de desarrollo de pandas. pandas-dev/pandas: Pandas. Zenodo https://doi.org/10.5281/zenodo.3509134 (2022).

Bezanson , J. , Edelman , A. , Karpinski , S. & Shah , VB Julia: Un nuevo enfoque de la computación numérica . Revista SIAM 59, 65–98 (2017).

Artículo MathSciNet MATEMÁTICAS Google Académico

Raurale, SA, Boylan, GB, Lightbody, G. y O'Toole, JM Clasificación de la gravedad de la encefalopatía hipóxico-isquémica en el EEG del recién nacido mediante una red neuronal convolucional. En 42 Int. Conf. Ing. IEEE Medicina. Biol. Soc., 6103–6106, (IEEE, 2020).

Descargar referencias

Este trabajo fue apoyado por un Premio Innovador de Wellcome Trust (209325/Z/17/Z). El ensayo de dispositivo médico que registró el EEG fue apoyado por un premio de traducción estratégica también de Wellcome Trust (098983). El artículo se basa en el trabajo de COST Action AI-4-NICU (CA20214), con el apoyo de COST (Cooperación Europea en Ciencia y Tecnología, https://www.cost.eu/).

INFANT Research Centre, University College Cork, Cork, Irlanda

John M. O'Toole, Sean R. Mathieson, Sumit A. Raurale, Fabio Magarelli, William P. Marnane, Gordon Lightbody y Geraldine B. Boylan

Departamento de Pediatría y Salud Infantil, University College Cork, Cork, Irlanda

John M. O'Toole, Sean R. Mathieson, Sumit A. Raurale, Fabio Magarelli y Geraldine B. Boylan

Departamento de Ingeniería Electrónica y Eléctrica, University College Cork, Cork, Irlanda

William P. Marnane y Gordon Lightbody

También puede buscar este autor en PubMed Google Scholar

GBB y WPM fueron los principales investigadores en el ensayo clínico que recopiló el EEG. SRM preparó las épocas de EEG y GBB y SRM revisaron y clasificaron todas las épocas. JMOT realizó el análisis del EEG. JMOT, SRM y FM prepararon y formatearon los datos para acceso abierto. JMOT produjo el primer borrador y todos los autores revisaron críticamente y revisaron el manuscrito.

Correspondencia a John M. O'Toole.

Los autores declaran no tener conflictos de intereses.

Nota del editor Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

O'Toole, JM, Mathieson, SR, Raurale, SA et al. EEG neonatal clasificado según la gravedad de las anomalías de fondo en la encefalopatía hipóxica-isquémica. Datos científicos 10, 129 (2023). https://doi.org/10.1038/s41597-023-02002-8

Descargar cita

Recibido: 07 julio 2022

Aceptado: 03 febrero 2023

Publicado: 10 de marzo de 2023

DOI: https://doi.org/10.1038/s41597-023-02002-8

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Blog