EEG-analyysin laskennalliset piirteet kriittisesti sairaiden potilaiden hoidossa

Abstract

Elektroenkefalografian (EEG) käyttö kriittisesti sairaiden potilaiden hoidossa on keskeinen menetelmä aivojen toiminnan arvioinnissa. Tässä työssä kehitettiin ohjelma, joka laskee ja luokittelee EEG:n kvantitatiivisia piirteitä American Clinical Neurophysiology Society (ACNS) -ohjeistuksen antamien kynnysarvojen mukaisesti. Lisäksi ohjelma sisältää muita piirteitä, jotka tarjoavat lisätietoa EEG-signaalin ominaisuuksista. Työn tavoitteena oli luoda ACNS:n standardeja noudattava työkalu, joka voisi tarjota kliinikoille tukea EEG-signaalien analysointiin, laskennallisten piirteiden arviointiin ja hoitopäätösten tekemiseen kriittisesti sairaiden potilaiden hoidossa.

Ohjelman toimintaa arvioitiin kahdella sydänpysähdyksestä kärsineen koomapotilaan datalla I- CARE-tutkimustietokannasta, jotka edustivat hyvää ja huonoa neurologista lopputulosta. Analysoitavat signaalit esikäsiteltiin, ja analyysimenetelmänä käytettiin lyhytaikaista Fourier-muunnosta (STFT). Piirteet laskettiin aika- ja aika-taajuustasossa, mukaan lukien jännitetason luokittelu ja taajuustason symmetrian laskenta aivojen hemisfäärien välillä.

Tuloksissa ohjelman suorituskyky osoittautui toimivaksi useiden laskennallisten EEG-piirteiden osalta. Esikäsittelyvaihe poisti tehokkaasti signaaleista häiriöitä, kuten driftauksia ja verkkohäiriöitä, tarjoten selkeän pohjan analyysille. Analyysin visualisointi, näillä datoilla erityisesti spektrogrammien osalta, toi esiin selkeitä kirjallisuudesta tuttuja eroavaisuuksia hyvän ja huonon lopputuloksen potilaiden EEG-aktiivisuudessa. Ohjelma tarjosi myös alustan kehittyneempien menetelmien, kuten artefaktien poistamisen ja ACNS:n suositusten mukaisen piirrekirjaston laajentamisen, sisällyttämiselle tulevaisuudessa.

The use of electroencephalography (EEG) in the treatment of critically ill patients is a key method for assessing brain function. In this study, a program was developed to calculate and classify quantitative EEG features based on the thresholds defined by the American Clinical Neurophysiology Society (ACNS) guidelines. Additionally, the program includes features that provide further information about the characteristics of EEG signals. The aim of the study was to create a tool that adheres to ACNS standards and could support clinicians in analyzing EEG signals, evaluating quantitative features, and making treatment decisions for critically ill patients.

The program's performance was evaluated using data from two comatose cardiac arrest patients, obtained from the I CARE research database. These cases represented good and poor neurological outcomes. The analyzed signals were preprocessed, and the short-time Fourier transform (STFT) was used as the analytical method. Features were calculated in the time and time-frequency domains, including voltage classification and frequency symmetry analysis between brain hemispheres.

The results demonstrated the program's promising performance in analyzing several quantitative EEG features. The preprocessing effectively removed signal disturbances such as drifts and power line noise, providing a clear and foundation for analysis. The visualization of the analysis, particularly through spectrograms in this dataset, revealed distinct differences in EEG activity between patients with good and poor outcomes, aligning with patterns previously described in the literature. The program also served as a platform for incorporating advanced methods, such as artifact removal and the expansion of the feature library in accordance with ACNS recommendations, in future development.