banner
Centro notizie
Ampia conoscenza nella vendita e nella produzione

L'apprendimento profondo supervisionato con trasformatore di visione prevede il delirio utilizzando un EEG a piombo limitato

May 30, 2023

Rapporti scientifici volume 13, numero articolo: 7890 (2023) Citare questo articolo

2420 accessi

4 Altmetrico

Dettagli sulle metriche

Circa l’80% dei pazienti critici sviluppa delirio, aumentando la necessità di istituzionalizzazione e una maggiore morbilità e mortalità. I medici rilevano meno del 40% del delirio quando utilizzano uno strumento di screening validato. L'EEG è il criterio standard ma richiede molte risorse, quindi non è fattibile per un monitoraggio diffuso del delirio. Questo studio ha valutato l’uso dell’EEG a risposta rapida a derivazione limitata e ha supervisionato metodi di deep learning con trasformatore di visione per prevedere il delirio. Questo studio di prova ha utilizzato un disegno prospettico per valutare l’uso dell’apprendimento profondo supervisionato con un trasformatore di visione e un dispositivo EEG a risposta rapida per prevedere il delirio negli anziani in condizioni critiche ventilati meccanicamente. Sono stati analizzati quindici diversi modelli. Utilizzando tutti i dati disponibili, i modelli del trasformatore di visione hanno fornito oltre il 99,9% di formazione e una precisione di test del 97% su tutti i modelli. Il trasformatore visivo con EEG a risposta rapida è in grado di prevedere il delirio. Tale monitoraggio è fattibile negli anziani in condizioni critiche. Pertanto, questo metodo ha un forte potenziale per migliorare l’accuratezza del rilevamento del delirio, offrendo maggiori opportunità per interventi individualizzati. Un simile approccio può ridurre la durata della degenza ospedaliera, aumentare le dimissioni a domicilio, diminuire la mortalità e ridurre l’onere finanziario associato al delirio.

Il delirio è una sindrome acuta che si manifesta con un cambiamento nella funzione cognitiva globale che include il pensiero disorganizzato o un livello alterato di coscienza1. Il delirio si verifica in circa l'80% degli anziani in condizioni critiche ed è associato a risultati cognitivi peggiori a lungo termine2,3. Per più di 20 anni, almeno 10 organizzazioni professionali sanitarie nazionali e internazionali hanno incluso lo screening di routine del delirio nelle linee guida della pratica clinica4,5,6. Nonostante queste raccomandazioni e la disponibilità di oltre 40 strumenti di screening validati, meno del 10% dei medici riferisce di eseguire regolarmente lo screening per il delirio4,7. Nell'ambiente di terapia intensiva, molti pazienti non sono in grado di partecipare allo screening del delirium, come quelli in stato comatoso o profondamente sedato, e non sono quindi testabili. Anche quando vengono utilizzati questi strumenti, il delirio rimane difficile da riconoscere e quindi spesso sottodiagnosticato e sottotrattato. Man mano che la durata e la gravità del delirio aumentano, diventa sempre più difficile trattarlo. Di conseguenza, il delirio è associato a un aumento in un anno dell’onere economico di oltre 44.000 dollari per paziente, rendendolo una crisi sanitaria pubblica globale8.

L'elettroencefalogramma (EEG) è un segnale rappresentativo con informazioni che descrivono le condizioni del cervello. La forma, l'ampiezza e la velocità di oscillazione delle forme d'onda EEG aiutano a descrivere la condizione e assistono nella diagnostica, come mostrato nella Fig. 1. L'uso dell'EEG per il rilevamento del delirio è stato identificato per la prima volta negli anni '40. Romano ed Engel hanno identificato un rallentamento dell'EEG con aumenti del sonno e diminuzioni delle onde di veglia quando era presente delirio9,10. Pertanto, il delirio è stato identificato in modo affidabile esaminando i cambiamenti nell'attività neurale utilizzando l'EEG. Sfortunatamente, i costi significativi associati all'assetto tecnologico e alla necessità di analisi specialistiche hanno impedito l'uso dell'EEG per il rilevamento del delirio nell'ambiente clinico11,12.

La nostra pipeline operativa.

Passaggio 1 Estrarre sottoinsiemi dai dati, ogni sottoinsieme ha un record t sec. Suddividere questi sottoinsiemi in set di training/test.

Passaggio 2 Trasforma i sottoinsiemi in "immagini" (*).

Passaggio 3 Utilizzare queste "immagini" per alimentare il modello ViT.

Più recentemente, sono diventati disponibili dispositivi EEG portatili di facile utilizzo con una precisione di registrazione equivalente all'EEG tradizionale e programmati con metodi analitici a risposta rapida come l'apprendimento automatico13. Questi dispositivi offrono una configurazione rapida da parte di chiunque abbia una formazione limitata, fornendo così dati EEG rapidi (quindi EEG a risposta rapida) in pochi minuti, a differenza dell'EEG tradizionale che può richiedere fino a un'ora per la configurazione e richiede personale appositamente formato. Per valutare le forme d'onda EEG, i parametri del segnale vengono estratti e analizzati utilizzando algoritmi statistici basati su computer. Ad esempio, l’analisi delle serie temporali non lineari offre informazioni sulla natura dinamica e sulla variabilità dei segnali cerebrali14. Con lo sviluppo di un algoritmo in grado di effettuare un rilevamento predittivo accurato, i nuovi dispositivi EEG possono fornire un metodo fisiologico fattibile per supportare i medici nel rilevamento del delirio.

 10 s to voice) met eligibility./p> 10\,\text{Hz}\). In short, \(n\) determines the lowest frequency that an image would include. To study the impact of partial frequencies at different phases and to augment the data size, we partitioned the wave images with overlapping segments. Such treatment can better reflect the relationship of waves with different frequencies./p> 30 Hz), and theta (4–7 Hz) waves. If we use \(T\) to represent the time span of each data slice, then the frequency an image can detect is \(f = \frac{1}{T}\). In the study, the highest minimum frequency it can detect is \(10\,\,\text{Hz}\) when \(T = 0.1s\), and the lowest minimum frequency it can detect is \(0.2\,\,\text{Hz}\), when \(T = 5s\). The data slices are randomly split into testing and training sets while avoiding putting all the data from any one subject into one (training + testing) set. Positive cases and negatives in both the training sets and the testing sets are relatively balanced, with a ratio close to one./p>