![pageSearch](/themes/hestia/images/page-search.webp)
Huawei lança uma nova linha de produtos emblemáticos na Huawei P60 Series e evento de lançamento de produtos emblemáticos na região MEA
Mar 07, 2023Caracterização eletroquímica e biológica do Ti
Mar 09, 2023[ENTREVISTA] Impressão 3D de metal sem pó? Ali Forsyth, CEO da Alloy Enterprises, sobre a disrupção de uma indústria de US$ 75 bilhões
Mar 11, 2023Titânio forte e dúctil
Mar 13, 2023Análise SWOT do mercado Metal Alloy Powder Core, dinâmica do setor, oportunidades de crescimento e previsão de 2023 a 2029
Mar 15, 2023Aprendizado profundo supervisionado com transformador de visão prevê delírio usando EEG de chumbo limitado
![May 30, 2023](/themes/hestia/images/news-details-icon1.webp)
Scientific Reports volume 13, Número do artigo: 7890 (2023) Citar este artigo
2463 acessos
4 Altmétrica
Detalhes das métricas
Até 80% dos pacientes gravemente enfermos desenvolvem delirium, aumentando a necessidade de institucionalização e maior morbidade e mortalidade. Os médicos detectam menos de 40% de delirium ao usar uma ferramenta de triagem validada. O EEG é o critério padrão, mas é intensivo em recursos, portanto, não é viável para o monitoramento generalizado do delirium. Este estudo avaliou o uso de EEG de resposta rápida de derivação limitada e métodos de aprendizado profundo supervisionado com transformador de visão para prever delirium. Este estudo de prova de conceito usou um projeto prospectivo para avaliar o uso de aprendizado profundo supervisionado com transformador de visão e um dispositivo de EEG de resposta rápida para prever delirium em idosos criticamente doentes ventilados mecanicamente. Quinze modelos diferentes foram analisados. Usando todos os dados disponíveis, os modelos de transformadores de visão forneceram mais de 99,9% de precisão de treinamento e 97% de teste em todos os modelos. O transformador de visão com EEG de resposta rápida é capaz de prever o delirium. Esse monitoramento é viável em idosos gravemente doentes. Portanto, este método tem forte potencial para melhorar a precisão da detecção de delirium, proporcionando maior oportunidade para intervenções individualizadas. Tal abordagem pode encurtar o tempo de permanência no hospital, aumentar a alta para casa, diminuir a mortalidade e reduzir o ônus financeiro associado ao delirium.
O delirium é uma síndrome aguda que se manifesta por uma alteração na função cognitiva global que inclui pensamento desorganizado ou alteração do nível de consciência1. O delirium ocorre em até 80% dos idosos gravemente doentes e está associado a piores resultados cognitivos de longo prazo2,3. Por mais de 20 anos, pelo menos 10 organizações profissionais de saúde nacionais e internacionais incluíram a triagem rotineira de delirium nas diretrizes de prática clínica4,5,6. Apesar dessas recomendações e da disponibilidade de mais de 40 ferramentas de triagem validadas, menos de 10% dos médicos relatam triagem rotineira para delirium4,7. No ambiente da UTI, muitos pacientes são incapazes de participar da triagem de delirium, como aqueles em estado de coma ou sedação profunda e, portanto, não podem ser testados. Mesmo quando essas ferramentas são usadas, o delirium permanece difícil de reconhecer e, portanto, frequentemente subdiagnosticado e subtratado. À medida que a duração e a gravidade do delírio aumentam, torna-se cada vez mais difícil tratá-lo. Como resultado, o delirium está associado a um aumento de carga econômica de mais de US$ 44 mil/paciente em um ano, tornando-o uma crise global de saúde pública8.
O eletroencefalograma (EEG) é um sinal representativo com informações que descrevem a condição do cérebro. A forma, a amplitude e a velocidade de oscilação das formas de onda do EEG ajudam a descrever a condição e auxiliam no diagnóstico, conforme mostrado na Fig. 1. O uso do EEG para detecção de delirium foi identificado pela primeira vez na década de 1940. Romano e Engel identificaram lentidão do EEG com aumento do sono e diminuição das ondas de vigília quando o delirium estava presente9,10. Assim, o delirium foi identificado de forma confiável pelo exame de mudanças na atividade neural usando o EEG. Infelizmente, o custo significativo associado à configuração tecnológica e à necessidade de análise especializada impediu o uso do EEG para detecção de delirium no ambiente clínico11,12.
Nosso pipeline de trabalho.
Passo 1 Extrair subconjuntos dos dados, cada subconjunto tem registro t seg. Divida esses subconjuntos em conjuntos de treinamento/teste.
Etapa 2 Transforme os subconjuntos em 'imagens' (*).
Etapa 3 Use essas 'imagens' para alimentar o modelo ViT.
Mais recentemente, dispositivos EEG portáteis de fácil utilização com precisão de registro equivalente ao EEG tradicional que são programados com métodos analíticos de resposta rápida, como aprendizado de máquina, tornaram-se disponíveis13. Esses dispositivos oferecem configuração rápida por qualquer pessoa com treinamento limitado, fornecendo dados de EEG rápidos (portanto, EEG de resposta rápida) em minutos, ao contrário do EEG tradicional, que pode levar até uma hora para ser configurado e requer pessoal especialmente treinado. Para avaliar as formas de onda do EEG, os parâmetros do sinal são extraídos e analisados usando algoritmos estatísticos baseados em computador. Por exemplo, a análise não linear de séries temporais oferece informações sobre a natureza dinâmica e a variabilidade dos sinais cerebrais14. Com o desenvolvimento de um algoritmo capaz de detecção preditiva precisa, novos dispositivos de EEG podem fornecer um método fisiológico viável para apoiar os médicos na detecção de delirium.