El aprendizaje profundo supervisado con transformador de visión predice el delirio utilizando EEG de plomo limitado
Scientific Reports volumen 13, Número de artículo: 7890 (2023) Citar este artículo
2463 Accesos
4 Altmetric
Detalles de métricas
Hasta el 80% de los pacientes en estado crítico desarrollan delirio, lo que aumenta la necesidad de institucionalización y una mayor morbilidad y mortalidad. Los médicos detectan menos del 40 % del delirio cuando utilizan una herramienta de detección validada. El EEG es el estándar de criterio, pero requiere muchos recursos, por lo que no es factible para el monitoreo generalizado del delirio. Este estudio evaluó el uso de EEG de respuesta rápida de derivación limitada y métodos de aprendizaje profundo supervisado con transformador de visión para predecir el delirio. Este estudio de prueba de concepto utilizó un diseño prospectivo para evaluar el uso del aprendizaje profundo supervisado con un transformador de visión y un dispositivo EEG de respuesta rápida para predecir el delirio en adultos mayores gravemente enfermos con ventilación mecánica. Se analizaron quince modelos diferentes. Con todos los datos disponibles, los modelos de transformadores de visión proporcionaron un entrenamiento superior al 99,9 % y una precisión de prueba del 97 % en todos los modelos. El transformador de visión con EEG de respuesta rápida es capaz de predecir el delirio. Tal monitoreo es factible en adultos mayores críticamente enfermos. Por lo tanto, este método tiene un gran potencial para mejorar la precisión de la detección del delirio, brindando una mayor oportunidad para intervenciones individualizadas. Tal enfoque puede acortar la duración de la estancia hospitalaria, aumentar el alta domiciliaria, disminuir la mortalidad y reducir la carga financiera asociada con el delirio.
El delirio es un síndrome agudo que se manifiesta por un cambio en la función cognitiva global que incluye un pensamiento desorganizado o un nivel alterado de conciencia1. El delirio ocurre en hasta el 80 % de los adultos mayores gravemente enfermos y se asocia con peores resultados cognitivos a largo plazo2,3. Durante más de 20 años, al menos 10 organizaciones profesionales de la salud nacionales e internacionales han incluido la detección sistemática del delirio en las guías de práctica clínica4,5,6. A pesar de estas recomendaciones y de la disponibilidad de más de 40 herramientas de detección validadas, menos del 10 % de los médicos informan la detección rutinaria del delirio4,7. En el entorno de la UCI, muchos pacientes no pueden participar en la detección del delirio, como los que se encuentran en estado de coma o sedación profunda, y por lo tanto, no se pueden evaluar. Incluso cuando se utilizan estas herramientas, el delirio sigue siendo difícil de reconocer y, por lo tanto, con frecuencia se subdiagnostica y trata. A medida que aumenta la duración y la gravedad del delirio, se vuelve cada vez más difícil de tratar. Como resultado, el delirio se asocia con un aumento de la carga económica en un año de más de $44 K/paciente, lo que lo convierte en una crisis mundial de salud pública8.
El electroencefalograma (EEG) es una señal representativa con información que describe la condición del cerebro. La forma, la amplitud y la velocidad de oscilación de las formas de onda del EEG ayudan a describir la afección y ayudan con el diagnóstico, como se muestra en la figura 1. El uso del EEG para la detección del delirio se identificó por primera vez en la década de 1940. Romano y Engel identificaron enlentecimiento del EEG con aumentos en el sueño y disminuciones en las ondas de vigilia cuando había delirio9,10. Por lo tanto, el delirio se ha identificado de forma fiable mediante el examen de los cambios en la actividad neuronal utilizando el EEG. Desafortunadamente, el costo significativo asociado con la configuración tecnológica y la necesidad de un análisis experto ha impedido el uso de EEG para la detección del delirio en el entorno clínico11,12.
Nuestro canal de trabajo.
Paso 1 Extraiga subconjuntos de los datos, cada subconjunto tiene un registro de t seg. Divida estos subconjuntos en conjuntos de entrenamiento/prueba.
Paso 2 Transforma subconjuntos en 'imágenes' (*).
Paso 3 Use estas 'imágenes' para alimentar el modelo ViT.
Más recientemente, están disponibles dispositivos de EEG portátiles fáciles de usar con una precisión de registro equivalente al EEG tradicional que están programados con métodos analíticos de respuesta rápida, como el aprendizaje automático13. Estos dispositivos ofrecen una configuración rápida por parte de cualquier persona con capacitación limitada, lo que proporciona datos de EEG rápidos (por lo tanto, EEG de respuesta rápida) en cuestión de minutos, a diferencia del EEG tradicional que puede tardar hasta una hora en configurarse y requiere personal especialmente capacitado. Para evaluar las formas de onda de EEG, los parámetros de la señal se extraen y analizan utilizando algoritmos estadísticos basados en computadora. Por ejemplo, el análisis de series temporales no lineales ofrece información sobre la naturaleza dinámica y la variabilidad de las señales cerebrales14. Con el desarrollo de un algoritmo capaz de una detección predictiva precisa, los dispositivos de EEG más nuevos pueden proporcionar un método fisiológico factible para ayudar a los médicos con la detección del delirio.
La técnica de aprendizaje automático más utilizada en la investigación y la práctica actuales se denomina aprendizaje automático supervisado, en el que los investigadores conocen la verdad básica y se etiqueta en el conjunto de datos de entrenamiento. Las redes neuronales profundas sofisticadas a menudo se adoptan y optimizan para adaptarse a las necesidades de tareas de aprendizaje específicas en escenarios del mundo real. Si bien el enfoque basado en el aprendizaje profundo a menudo supera a los algoritmos tradicionales de aprendizaje automático estadístico en la precisión de la predicción, su naturaleza Blackbox a menudo hace que el modelo no sea práctico para usar en el campo médico. A menudo se necesitan módulos adicionales para ayudar a explicar por qué o cómo los algoritmos de aprendizaje profundo tomaron la decisión.
El modelo de aprendizaje profundo supervisado utilizado en este estudio fue Vision Transformer (ViT)15,16,17. El modelo ViT aprovechó la arquitectura de vanguardia de Transformer que ha revolucionado el campo del procesamiento del lenguaje natural (NLP). Cabe señalar que los datos de EEG suelen ser de naturaleza secuencial. Por lo tanto, los modelos secuenciales, como BERT18 y Fractional Dynamics Foster Deep Learning, se aplicaron a menudo en la literatura. Sin embargo, los datos de EEG en formato tabular comprenden una combinación de ondas con frecuencias variables, lo que hace que los enfoques secuenciales convencionales sean menos efectivos19. Los datos de EEG en formato de imagen de onda contienen datos temporales y patrones visuales. Debido a su excelente rendimiento en problemas relacionados con la visión por computadora, ViT se ha aplicado en tareas recientes de clasificación de imágenes y se han observado mejoras en el rendimiento con respecto a los marcos tradicionales basados en CNN20. En este trabajo, investigamos cómo se puede usar ViT para obtener inteligencia a partir de datos de EEG. Mostramos que aplicar ViT en formato de imagen de onda en el dominio del tiempo es mucho mejor que aplicar ViT en el dominio de la frecuencia.
Para hacer que el modelo Transform funcione para las tareas de clasificación de imágenes, la idea principal es dividir una imagen en una matriz de \(n \times n\) subimágenes. Estas subimágenes luego se tratan como datos secuenciales para que el mecanismo de autoatención se pueda aplicar para medir la relación entre pares de subimágenes. El beneficio de ViT es la capacidad de mantener información espacial así como información temporal. Los datos de EEG son secuenciales y tienen una relación espacial, lo que convierte al ViT en un modelo ideal para este análisis. Este documento describe cómo el aprendizaje automático con Vision Transformer puede servir como un medio electrónico para la detección del delirio, con un riesgo mínimo y un bajo costo.
Este es el primer estudio piloto prospectivo de prueba de concepto que utiliza un dispositivo de EEG de respuesta rápida que proporciona datos de todos los lóbulos cerebrales y un método de aprendizaje profundo supervisado (Vision Transformer) para evaluar el EEG en busca de delirio en pacientes en estado crítico.
El estudio (UMCIRB 17-001900 MIND) fue revisado y aprobado por la Junta de Revisión Institucional del Centro Médico Vidant y Carolina del Este (UMCIRB) el 13 de marzo de 2018. Se obtuvo el consentimiento informado por escrito del representante legalmente autorizado del participante antes de cualquier actividad de investigación. Todos los procedimientos de investigación se realizaron de acuerdo con los estándares éticos establecidos por el UMCIRB IRB y la Declaración de Helsinki de 1975.
El protocolo para este estudio se publicó previamente en RINAH21. En resumen, los pacientes que cumplieron con los criterios de inclusión y exclusión fueron reclutados de tres unidades de cuidados intensivos (UCI cardíaca, médica y quirúrgica) en un gran centro médico académico rural en Carolina del Norte entre marzo de 2019 y marzo de 2020. Todos los participantes tenían al menos 50 años. y requirieron ventilación mecánica por más de 12 h que eran de habla inglesa para quienes se obtuvo el consentimiento informado por escrito del representante legalmente autorizado. Los criterios de exclusión incluyeron lesión cerebral aguda, convulsiones o afección que impidió la participación en la detección del delirio. El consentimiento se obtuvo antes de la inscripción del representante legalmente autorizado porque los participantes no podían dar su consentimiento.
Cada día, se evaluó la capacidad del paciente para participar en un examen de delirio determinado mediante la escala de sedación y agitación de Richmond (RASS)22,23. El RASS es una escala de 10 niveles (+ 4 "combativo" a − 5 "no despertable") con una excelente fiabilidad entre evaluadores (r = 0,956, límite inferior de confianza del 90 % = 0,948; κ = 0,73, intervalo de confianza del 95 % = 0,71, 0,75)22,23. Una puntuación RASS de -2 o superior (capaz de abrir los ojos durante > 10 s para hablar) cumplió con la elegibilidad.
Las características demográficas y clínicas se obtuvieron de la historia clínica electrónica (HME).
El Método de Evaluación de la Confusión para la Unidad de Cuidados Intensivos (CAM-ICU) es una versión modificada del CAM que se desarrolló para evaluar a los pacientes con ventilación mecánica y no verbales en la UCI24,25. La CAM-ICU se basa en el estándar de oro para la identificación del delirio, el Manual diagnóstico y estadístico para el trastorno mental IV (DSM-IV) y una de las dos herramientas de detección del delirio recomendadas para su uso por la Sociedad de Medicina de Cuidados Críticos (SCCM)1, 4,26. La CAM-ICU requiere la participación del paciente para identificar cuatro características clave del delirio que incluyen (a) inicio agudo o fluctuación en el estado mental dentro de las 24 h anteriores, (b) falta de atención, (c) nivel alterado de conciencia [Escala de sedación de agitación de Richmond (RASS) ≠ 0], y (d) pensamiento desorganizado24,25. Cuando se usa en investigación, la CAM-ICU tiene una alta sensibilidad y especificidad, 93 y 98% respectivamente y una alta confiabilidad entre evaluadores en k.0.79.
A cada participante se le aplicaron diariamente bandas de EEG de respuesta rápida que circunscriben la cabeza. La precisión de la colocación se basa en la ubicación del sujetador de la banda para la cabeza en el centro de la frente, los electrodos están numerados del 1 al 10, la banda para la cabeza se conecta al registrador en la línea del cabello en la parte posterior de la cabeza, las formas de onda del EEG se visualizan inmediatamente en el registrador de EEG y la grabadora identifica la calidad de la conexión (p. ej., la impedancia) mediante un diagrama codificado por colores (verde = baja impedancia/rojo = alta impedancia) de la diadema. El monitoreo de EEG se realizó durante 2 h cada noche entre las 5 pm y las 9 pm (1700-2100) durante cuatro días o el alta de la UCI. Después de una hora de monitoreo de EEG, el equipo de investigación evaluó al participante en busca de delirio utilizando el Método de evaluación de confusión para la UCI (CAM-ICU). Para ser considerado delirio positivo usando la CAM-ICU, el participante debe tener al menos tres de los componentes centrales del delirio, incluido un cambio agudo en el estado mental inicial, exhibir falta de atención y tener un nivel alterado de conciencia o pensamiento desorganizado.
Antes del análisis, los datos de EEG se procesaron para eliminar artefactos como el movimiento muscular en la cara y la interferencia de dispositivos cercanos como ventiladores y monitores cardíacos. Para ello, se eliminan las frecuencias altas y bajas mediante filtros. Luego, los datos se vuelven a referenciar para estimar el ruido fisiológico y se dividen en múltiples períodos de tiempo discretos llamados épocas. Después del preprocesamiento, los datos de EEG se "limpian" aún más mediante el análisis de componentes individuales (IDA) para eliminar los ruidos y generar las características necesarias para los algoritmos de aprendizaje automático. El análisis de componentes es un método ampliamente aceptado para limpiar los datos al separar los artefactos de los datos derivados de los procesos corticales14,27. El beneficio del análisis de componentes independientes con estadísticas de orden superior es la capacidad de simplemente sustraer artefactos examinando directamente los componentes independientes de los datos.
Las técnicas analíticas de EEG entre los estudios han variado. Por lo tanto, inicialmente se utilizaron métodos tradicionales y de aprendizaje automático para analizar estos datos, específicamente bosque aleatorio (serie de árboles de decisión), análisis discriminante lineal paso a paso (elimina variables que no ayudan a clasificar los datos, en este caso delirio-/delirio+) y máquina de vectores de soporte (la computadora construye un modelo para proporcionar la mayor diferencia entre categorías, en este caso, delirio−/delirio+). Debido a los desafíos con la selección de funciones, en este análisis se utilizó principalmente un método de aprendizaje profundo supervisado, es decir, Vision Transformer. Se observa en muchas aplicaciones de aprendizaje profundo que las técnicas sofisticadas de procesamiento de datos y la ingeniería de características a menudo no son necesarias porque las redes neuronales profundas pueden aprender esas características sutiles directamente de los datos de entrada. Por lo tanto, se estudiaron dos tipos de datos. El primer tipo de datos de entrada se preprocesó (movimiento muscular y eliminación de interferencias del dispositivo) y la IDA se limpió mientras que el segundo tipo de entrada solo recibió preprocesamiento sin limpieza de IDA. Los datos se extrajeron cada 4 ms de los dispositivos EEG y cada muestra de datos contiene la lectura de ocho sensores.
Una continuación del número de filas de datos se organiza en un segmento de datos, que es una matriz \(8 \times n\), donde \(n\) representa el número de filas. Estas matrices se redimensionan a \(224 \times 224\) usando la interpolación bilineal y se tratan como imágenes para alimentar el modelo ViT, como se muestra en la Fig. 2.
La matriz de confusión para el experimento.
Nuestro objetivo principal fue identificar el rango de frecuencia dentro de las imágenes de ondas que tiene el mayor efecto en los resultados de la clasificación. Nuestra suposición es que si un segmento de la imagen no contiene un ciclo completo de ondas a una frecuencia particular, es poco probable que el efecto de esta frecuencia sea significativo en los resultados de la clasificación. Controlar la longitud de los segmentos de datos puede controlar el rango de frecuencias que incluirá la imagen. Por ejemplo, si \(n = 25\), entonces el lapso de tiempo de esa imagen de onda es \(0.1s\) y la frecuencia correspondiente es \(f > 10\,\text{Hz}\). En resumen, \(n\) determina la frecuencia más baja que incluiría una imagen. Para estudiar el impacto de las frecuencias parciales en diferentes fases y aumentar el tamaño de los datos, dividimos las imágenes de onda con segmentos superpuestos. Tal tratamiento puede reflejar mejor la relación de ondas con diferentes frecuencias.
Para comprender cómo se relacionan los resultados con los tamaños de los cortes, se eligieron cinco longitudes diferentes: veinticinco filas (0,1 s), 125 filas (0,5 s), 250 filas (1 s), 400 filas (1,6 s), y 1250 filas (5 s). Debido al pequeño tamaño de la población, los datos se aumentan mediante un esquema de ventana superpuesta, donde la fila de inicio del siguiente segmento de datos se encuentra en algún lugar del segmento de datos actual, en lugar de después de la última fila del segmento de datos actual. En la Fig. 3 se muestra un ejemplo de un segmento de datos superpuesto al 30 % de un segundo (250 filas). Las señales relevantes en el estudio de EEG incluyen alfa (8–12 Hz), beta (15–30 Hz), delta (0,5–3 Hz), gamma (> 30 Hz) y ondas theta (4–7 Hz). Si usamos \(T\) para representar el lapso de tiempo de cada porción de datos, entonces la frecuencia que una imagen puede detectar es \(f = \frac{1}{T}\). En el estudio, la frecuencia mínima más alta que puede detectar es \(10\,\,\text{Hz}\) cuando \(T = 0.1s\), y la frecuencia mínima más baja que puede detectar es \(0.2\, \,\text{Hz}\), cuando \(T = 5s\). Los segmentos de datos se dividen aleatoriamente en conjuntos de prueba y entrenamiento, evitando poner todos los datos de cualquier sujeto en un solo conjunto (entrenamiento + prueba). Los casos positivos y negativos tanto en los conjuntos de entrenamiento como en los conjuntos de prueba están relativamente equilibrados, con una proporción cercana a uno.
Tubería de trabajo para modelos entrenados en el dominio de la frecuencia en un experimento de comparación.
En este estudio se utilizaron los hiperparámetros predeterminados del modelo: tamaño de lote = 64, tasa de aprendizaje = 0,001, profundidad = 12 y cabezas = 8. Se estudiaron las proporciones de superposición del 75 %, 90 % y 95 %. Dado que no se descubrieron diferencias importantes entre estas diferentes relaciones de superposición, se utilizó una relación de superposición de ventanas del 90 % para informar los resultados. Los datos de EGG convergen muy rápidamente cuando se usa el modelo ViT. En la mayoría de las situaciones, las precisiones de entrenamiento alcanzaron más del 99 % en tan solo tres épocas. Para evitar el sobreajuste, se utilizaron modelos entrenados después de 5 épocas para evaluar los conjuntos de datos de prueba.
La razón para usar ViT, un modelo CV basado en transformadores en lugar de un modelo de lenguaje basado en transformadores, es que los datos son una mezcla de ondas de diferentes frecuencias. Dado que las ondas se repiten periódicamente, es posible que un segmento de imagen que contenga al menos un ciclo completo de una frecuencia particular no proporcione suficiente información para analizar sus datos. Este estudio investigó los segmentos de imagen que contienen una colección de ondas con diferentes frecuencias. Dado que los datos de EEG se presentan mejor en formato de imagen de onda, el modelo NLP basado en Transformer no es el modelo más adecuado para analizar imágenes de onda de EEG. Como tal, decidimos emplear ViT en lugar de Transformer para analizar los datos.
Tenga en cuenta también que es una práctica habitual transferir datos de series temporales a imágenes espectrales mediante técnicas de transformación como la transformación rápida de Fourier (FFT). Argumentamos que tal transformación no es adecuada para el modelo ViT. En este trabajo, también estudiamos el efecto de agregar FFT al proceso. El flujo de trabajo se muestra en la Fig. 3.
Para comprender mejor el valor del modelo ViT en los análisis de datos de EEG, también se utilizó un conjunto de datos público28 para realizar una tarea de clasificación binaria. Se adoptó el segmento de datos de 1250 filas y la proporción de superposición se fijó en 90 %. El modelo logró una precisión de prueba del 86,33 %, que es mejor que los algoritmos de última generación SleepEEGNet con una precisión del 80,03 %. Los resultados piloto muestran que ViT se adapta mejor para analizar datos de EEG que los algoritmos existentes.
Se utilizaron quince tratamientos diferentes (5 tamaños de corte de datos \(\times\) 3 tasa de superposición) para evaluar el rendimiento del modelo ViT. Dado que las tasas de superposición no afectaron los resultados de precisión, solo se informaron los resultados de \(superposición\;tasa de superposición\; = 90\%\), consulte la Tabla 1.
El modelo alcanzó la mejor precisión de prueba del 97,58 % cuando el segmento de datos tiene un tamaño de 1250 filas (5 s). La figura 4 ilustra el impacto de los segmentos de datos en la precisión de la predicción.
La matriz de confusión para el experimento de comparación, donde la parte izquierda muestra la matriz del modelo entrenado en el dominio de la frecuencia y la parte derecha muestra la matriz del modelo entrenado en el dominio del tiempo.
Cuando el segmento de datos es tan pequeño como veinticinco filas, contiene ciclos completos de ondas superiores a \(10\;{\text{Hz}}\). La precisión de la predicción fue solo del 51,86 %, lo que sugiere que ViT no aprendió nada útil de los datos. Los malos resultados podrían sugerir que las ondas con frecuencias más altas son menos importantes para predecir el delirio. También podría deberse a que los tamaños de las diapositivas de datos eran demasiado pequeños para cambiar el tamaño a imágenes de \(224 \times 224\). Cuando un segmento de datos contiene al menos un ciclo completo de \(2 \;{\text{Hz}}\) ondas (0,5 s o 125 filas), la precisión aumentó al 72,82 %. Cuando un segmento de datos contiene al menos un ciclo completo de \(1 \;{\text{Hz}}\) ondas (1 s o 250 filas), la precisión aumenta aún más hasta alrededor del 95 %. Los mejores resultados se asocian con ondas de menor frecuencia. Se necesita más investigación para comprender completamente si las señales de onda larga, como las ondas delta, son realmente predictores del delirio. En la mayoría de los experimentos, los modelos convergieron en tres épocas. Las precisiones no mejoraron desde la época seis hasta la época diez.
Para estudiar los resultados del análisis de datos de EEG en el dominio de la frecuencia, comparamos su matriz de confusión con los datos en el dominio del tiempo. Los parámetros del experimento fueron \(t = 5s\), \(superposición\; tasa = 50\%\), y las épocas se establecieron en 4. La Figura 4 presenta los resultados de este estudio contrastivo. Demuestra que el rendimiento del modelo en el dominio del tiempo supera su rendimiento en el dominio de la frecuencia. Estos hallazgos se alinean con nuestra discusión y respaldan aún más la efectividad de nuestro enfoque de extracción de características en el tiempo, el dominio y la selección del modelo ViT para analizar datos de EEG en formato de imagen de onda.
Dado que ViT funcionó bien en datos limpiados con IDA, surge la pregunta: ¿ViT proporcionaría buenos resultados de predicción en conjuntos de datos que no son limpiados por IDA? Para responder a esta pregunta, también se alimentaron datos sin limpiar al modelo ViT para evaluar los resultados. Se eligieron segmentos de datos de 1250 con una tasa de superposición del 90 %. Para nuestra sorpresa, tanto la precisión del entrenamiento como la de las pruebas alcanzaron más del 99,99 %. Esto puede sugerir que las técnicas de aprendizaje profundo como ViT probablemente no necesiten técnicas adicionales de ingeniería de características para lograr resultados impresionantes. Debido a que el conjunto de datos es pequeño, es demasiado pronto para hacer tal afirmación. Se necesitan estudios adicionales para validar esta hipótesis.
Los conjuntos de datos recopilados por los investigadores se limitaron a solo doce sujetos y se usaron solo en predicciones de delirio. ¿Qué pasa con otros conjuntos de datos de EEG? Hicimos otro experimento para entender si ViT todavía es aplicable. También aplicamos ViT en un conjunto de datos de EEG público28 para realizar una tarea de clasificación binaria. Con un tamaño de ventana de 1250 puntos, el modelo alcanzó una precisión de prueba del 86,33 %.
Este es el primer estudio piloto prospectivo que utiliza un dispositivo EEG de respuesta rápida de 10 electrodos que proporciona datos de todos los lóbulos del cerebro, aprendizaje profundo supervisado y ViT para evaluar el EEG en busca de delirio. Este piloto estableció que tal monitoreo es factible en adultos mayores críticamente enfermos en UCI médicas, quirúrgicas y cardíacas. El principal hallazgo es que, utilizando el aprendizaje profundo supervisado y una plataforma ViT, los pacientes se clasificaron con precisión como delirio positivo o delirio negativo según las características identificables en el EEG, lo que predijo la presencia de delirio. Estos resultados se replicaron utilizando tres métodos de aprendizaje automático, los métodos de aprendizaje supervisado incluyeron análisis discriminante lineal paso a paso y máquinas de vectores de soporte y el aprendizaje profundo supervisado se llevó a cabo utilizando ViT. En comparación con estudios anteriores que utilizaron varios métodos de preprocesamiento y aprendizaje automático, el modelo ViT que utiliza los hiperparámetros mencionados anteriormente ha proporcionado una mayor precisión. Por ejemplo, van Sleuwen y Sun29 usaron un dispositivo de plomo limitado de 3 canales para medir métodos basados en la fisiología usando el puntaje de gravedad del método de evaluación de confusión. Para obtener tres canales o formas de onda, utilizaron tiras de EEG de 6 s obtenidas a partir de un montaje frontal de 4 electrodos. Utilizando este montaje en 252 pacientes con delirio y 121 sin delirio, obtuvieron precisiones de 0,63 a 0,73 en la curva ROC, lo que significa que el modelo predijo con precisión entre el 63 y el 70 % de los verdaderos positivos para cada umbral de decisión posible del modelo. De manera similar, Yamanashi y Kajitani30 pudieron obtener AUC de 63 a 76 % utilizando un EEG biespectral con dos canales. Como resultado, recomendaron que estudios adicionales puedan beneficiarse de modelos de aprendizaje profundo como el utilizado en este estudio piloto.
El mérito de este EEG portátil de respuesta rápida es su objetividad en comparación con los métodos de detección de cabecera actualmente disponibles. Además, este método no requiere el uso de una máquina de EEG grande y técnicos especializados para la colocación de electrodos que con frecuencia limitan la detección masiva de gran volumen, como la que se necesita para detectar delirio en unidades de cuidados intensivos. El EEG de respuesta rápida es fácil de usar por el personal hospitalario ocupado con una capacitación mínima. El uso de algoritmos preprogramados, como el que se describe aquí, limita la necesidad de una interpretación experta requerida cuando se usa el EEG tradicional. Por lo tanto, este método de detección no está limitado por la subjetividad y la racionalización de los resultados asociados con la detección al lado de la cama.
Si bien el modelo ViT utilizado anteriormente tiene un rendimiento satisfactorio, todavía hay oportunidades para mejorar la predicción. Por ejemplo, el uso de una ventana de 10 a 60 s en lugar de las ventanas de 1 a 5 s que se usan normalmente en este tipo de análisis puede haber proporcionado más puntos de datos. Durante la fase de preprocesamiento, nuestro estudio utilizó la extracción de secuencias, lo que significa que las muestras se obtienen en un orden secuencial cronológico y de longitud finita. Es posible que la corrección constante o la interpolación (eliminación de los datos obtenidos del electrodo de plomo defectuoso) pueda proporcionar un conjunto de datos más limpio para el análisis.
Las limitaciones de este estudio incluyen la pequeña muestra de trece participantes con siete que experimentaron delirio durante el período de seguimiento según lo determinado por la CAM-ICU. Los cambios en el EEG ocurren antes del inicio de los síntomas y, por lo tanto, algunos de los participantes pueden haber tenido delirio subsindrómico detectado mediante EEG que no se detectó mediante la detección al lado de la cama (CAM-ICU). Las evaluaciones de delirio fueron realizadas por el investigador en lugar de utilizar evaluaciones clínicas que proporcionaron una mayor confiabilidad del estado de delirio. La heterogeneidad de la muestra con diversas etiologías y exposiciones a medicamentos podría haber dado lugar a que algunos cambios en el EEG se reflejaran más que otros en un subconjunto de pacientes, lo que minimiza la generalización. Si bien este estudio tiene limitaciones, se han obtenido resultados consistentes a través de los métodos de análisis (razones de frecuencia, aprendizaje supervisado y aprendizaje profundo) que fortalecen los hallazgos.
En este análisis, entrenamos un modelo ViT para analizar datos de EEG bajo la restricción de una muestra pequeña y, por lo tanto, una cantidad limitada de datos. A pesar del uso de un método de extracción de secuencias para el preprocesamiento, el 97 % de precisión es significativamente mejor que el ~40 % de precisión de las evaluaciones de CAM-ICU derivadas del médico. Por lo tanto, este método tiene un gran potencial para mejorar la precisión de la detección del delirio, brindando una mayor oportunidad para implementar y evaluar intervenciones individualizadas. Una vez que la detección temprana de la disfunción cerebral asociada con malos resultados, como la necesidad de institucionalización y una mayor mortalidad, esté fácilmente disponible, será posible identificar las causas reversibles, seguidas de una intervención temprana y un seguimiento estrecho para evitar complicaciones prevenibles. Tener un método fisiológico para la detección del delirio puede brindar la oportunidad de proporcionar intervenciones cuando el delirio es más susceptible de tratamiento. La intervención más temprana puede acortar la duración de la estadía en el hospital, aumentar la posibilidad de que el paciente regrese a casa después del alta hospitalaria, disminuir las tasas de mortalidad y reducir los costos financieros. carga asociada con el delirio.
Los conjuntos de datos generados y/o analizados durante el estudio actual no están disponibles públicamente, pero están disponibles a través del autor correspondiente a pedido razonable.
Asociación Americana de Psiquiatría. Manual Diagnóstico y Estadístico de los Trastornos Mentales: DSM-5 (Asociación Americana de Psiquiatría, 2013).
Libro Google Académico
Bashar, FR et al. Morbilidad psicológica post-UCI en pacientes con SDRA y delirio de estancia muy prolongada en UCI. J. Crit. Atención 43, 88–94 (2018).
Artículo PubMed Google Académico
Mulkey, MA et al. Revisión de fisiopatología: siete neurotransmisores asociados con el delirio. clin. Enfermera espec. 32(4), 195–211 (2018).
Artículo PubMed Google Académico
Devlin, JW y col. Guías de práctica clínica para la prevención y el manejo del dolor, la agitación/sedación, el delirio, la inmovilidad y la interrupción del sueño en pacientes adultos en la UCI. crítico Cuidado Med. 46(9), e825–e873 (2018).
Artículo PubMed Google Académico
Instituto Nacional para la Excelencia en Salud y Atención: Guías Clínicas, en Rehabilitación para adultos con psicosis compleja. 2020, Instituto Nacional para la Excelencia en Salud y Atención (Reino Unido) Copyright ¬© NICE 2020.: Londres.
Sociedad Americana de Geriatría. La American Geriatrics Society resumió la guía de práctica clínica para el delirio postoperatorio en adultos mayores. Mermelada. Geriatría Soc. 63(1), 142–150 (2015).
Artículo Google Académico
Hunter, A. et al. Detección de delirio en la unidad de cuidados intensivos utilizando técnicas emergentes de QEEG: un estudio piloto. OBJETIVOS Neurosci. 7(1), 1–16 (2020).
Artículo PubMed PubMed Central Google Académico
Gou, RY et al. Costos de Medicare de un año asociados con el delirio en pacientes mayores que se someten a una cirugía electiva mayor. Cirugía JAMA. 156, 430–442 (2021).
Artículo PubMed Google Académico
Engel, GL & Romano, J. Delirio: Ii. reversibilidad del electroencefalograma con procedimientos experimentales. Arco. Neurol. Psiquiatría 51(4), 378–392 (1944).
Artículo Google Académico
Romano, J. & Engel, GL Delirium: I. datos electroencefalográficos. Arco. Neurol. Psiquiatría 51(4), 356–377 (1944).
Artículo Google Académico
van der Kooi, AW et al. Detección de delirio mediante EEG: qué y cómo medir. Cofre 147(1), 94–101 (2015).
Artículo PubMed Google Académico
Mulkey, MA et al. El electroencefalograma (EEG) rápido manual continuo tiene el potencial de detectar el delirio en adultos mayores. Dimensiones crítico Enfermeras de atención 41(1), 29–35 (2022).
Artículo PubMed PubMed Central Google Académico
Kamousi, B. et al. Comparación de la calidad de las señales registradas con un EEG de respuesta rápida y sistemas de EEG clínicos convencionales. clin. Neurofisiol. Practica 4, 69–75 (2019).
Artículo PubMed PubMed Central Google Académico
Kannathal, N. et al. Caracterización del EEG: un estudio comparativo. computar Métodos Programas Biomed. 80(1), 17–23 (2005).
Artículo CAS PubMed Google Académico
Dosovitskiy, A., et al., Una imagen vale 16x16 palabras: Transformadores para el reconocimiento de imágenes a escala. preimpresión de arXiv arXiv:2010.11929, 2020.
Vaswani, A., et al. La atención es todo lo que necesitas. En Avances en Sistemas de Procesamiento de Información Neural. 2017.
Kostas, D., Aroca-Ouellette, S. & Rudzicz, F. BENDR: uso de transformadores y una tarea de aprendizaje autosupervisada contrastiva para aprender de cantidades masivas de datos de EEG. Frente. Tararear. Neurosci. 15, 653659 (2021).
Artículo PubMed PubMed Central Google Académico
Acheampong, FA, Nunoo-Mensah, H. & Chen, W. Modelos de transformadores para la detección de emociones basada en texto: una revisión de los enfoques basados en BERT. Artefacto Intel. Rev. 54(8), 5789–5829 (2021).
Artículo Google Académico
Yin, C. et al. La dinámica fraccional fomenta el aprendizaje profundo de la predicción del estadio de la EPOC. Adv. ciencia 10, 2203485 (2023).
Artículo Google Académico
Xue, F. et al. Transformador de visión con agrupación atenta para un sólido reconocimiento de expresiones faciales. Trans. IEEE. Afectar. computar (2022).
Mulkey, MA et al. Métodos para identificar el delirio: un protocolo de investigación. Res. enfermeras Salud 42(4), 246–255 (2019).
Artículo PubMed Google Académico
Sessler, CN et al. La Escala de Agitación-Sedación de Richmond: validez y confiabilidad en pacientes adultos de la unidad de cuidados intensivos. Soy. J. Respir. crítico Cuidado Med. 166(10), 1338–1344 (2002).
Artículo PubMed Google Académico
Sessler, CN et al. Validez y confiabilidad de una nueva escala de agitación-sedación en una población de UCI médica. Cofre 118 (Suplemento 4), 95S (2000).
Google Académico
Ely, EW et al. Delirium en pacientes ventilados mecánicamente: Validez y confiabilidad del Confusion Assessment Method for the Intensive Care Unit (CAM-ICU). JAMA 286(21), 2703–2710 (2001).
Artículo CAS PubMed Google Académico
Ely, EW et al. Evaluación del delirio en pacientes críticos: Validación del Método de Evaluación de la Confusión para la Unidad de Cuidados Intensivos (CAM-ICU). crítico Cuidado Med. 29(7), 1370–1379 (2001).
Artículo CAS PubMed Google Académico
Asociación Americana de Psiquiatría. Manual Diagnóstico y Estadístico de los Trastornos Mentales: DSM-IV, 4th [rev.] ed (Asociación Americana de Psiquiatría, 1998).
Google Académico
Delorme, A., Sejnowski, T. & Makeig, S. Detección mejorada de artefactos en datos de EEG utilizando estadísticas de orden superior y análisis de componentes independientes. Neuroimagen 34(4), 1443–1449 (2007).
Artículo PubMed Google Académico
Goldberger, AL et al. PhysioBank, PhysioToolkit y PhysioNet: componentes de un nuevo recurso de investigación para señales fisiológicas complejas. Circulación 101(23), e215–e220 (2000).
Artículo CAS PubMed Google Académico
van Sleuwen, M. et al. Evaluación fisiológica de la gravedad del delirio: puntuación de gravedad del método de evaluación de la confusión electroencefalográfica (E-CAM-S). crítico Cuidado Med. 50(1), e11–e19 (2022).
Artículo PubMed PubMed Central Google Académico
Yamanashi, T. et al. El análisis de datos topológicos (TDA) mejora el algoritmo de EEG biespectral (BSEEG) para la detección del delirio. ciencia Rep. 11(1), 304 (2021).
Artículo CAS PubMed PubMed Central Google Scholar
Descargar referencias
Malissa Mulkey fue financiada por un NRSA T32 NR018407 del Instituto Nacional de Investigación en Enfermería. Este estudio de investigación fue financiado por la Asociación Estadounidense de Enfermeras de Cuidados Críticos.
Facultad de Enfermería, Universidad de Carolina del Sur, Columbia, SC, EE. UU.
Malissa A. Mulkey
Departamento de Informática y Tecnología de la Información, Purdue University, Lafayette, IN, EE. UU.
Huyunting Huang y Baijian Yang
Departamento de Ingeniería, Universidad de Carolina del Este, Greenville, NC, EE. UU.
Thomas Albanese y Sunghan Kim
También puede buscar este autor en PubMed Google Scholar
También puede buscar este autor en PubMed Google Scholar
También puede buscar este autor en PubMed Google Scholar
También puede buscar este autor en PubMed Google Scholar
También puede buscar este autor en PubMed Google Scholar
MM fue responsable de conceptualizar el diseño del estudio, interpretar los resultados de los análisis, redactar el manuscrito y aceptar la precisión e integridad del trabajo. TA fue responsable de diseñar y realizar el análisis, interpretar los resultados, redactar el artículo y aceptar la precisión e integridad. HH fue responsable de diseñar el análisis, interpretar los resultados, redactar el artículo y aceptar la precisión e integridad. BY fue responsable de diseñar el análisis, interpretar los resultados, redactar el artículo y aceptar la precisión e integridad. SK fue responsable de diseñar y realizar el análisis, interpretar los resultados, redactar el artículo y aceptar la precisión e integridad. Todos los autores han revisado y aprobado la versión final.
Correspondencia a Malissa A. Mulkey.
Los autores declaran no tener conflictos de intereses.
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
Mulkey, MA, Huang, H., Albanese, T. et al. El aprendizaje profundo supervisado con transformador de visión predice el delirio utilizando EEG de derivación limitada. Informe científico 13, 7890 (2023). https://doi.org/10.1038/s41598-023-35004-y
Descargar cita
Recibido: 11 Octubre 2022
Aceptado: 11 de mayo de 2023
Publicado: 16 mayo 2023
DOI: https://doi.org/10.1038/s41598-023-35004-y
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
Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.