Aprendizado de máquina como ferramenta para o prognóstico de pacientes em coma usando sinais eletroencefalográficos no espectro de 1 a 100 Hz

• Ano de defesa: 2022
• Autor(a) principal: Ramos, Camila Davi
• Orientador(a): Destro Filho, João Batista
• Banca de defesa: Saito, Jose Hiroki , Carneiro, Murillo Guimarães , Rodrigues, Aurelia Aparecida de Araújo , Campos, Marcos , Silva, Eduardo Jorge Custodio da
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Uberlândia
• Programa de Pós-Graduação: Programa de Pós-graduação em Engenharia Elétrica
• País: Brasil
• Palavras-chave em Português: Eletroencefalografia; Quantificação; Processamento digital de sinais; Prognóstico do coma; Classificação; Aprendizado de máquina; Electroencephalography; Quantification; Digital signal processing; Prognosis of the coma; Classification; Machine learning
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA; CNPQ::ENGENHARIAS::ENGENHARIA BIOMEDICA::BIOENGENHARIA::PROCESSAMENTO DE SINAIS BIOLOGICOS
• Link de acesso: https://repositorio.ufu.br/handle/123456789/34045; http://doi.org/10.14393/ufu.te.2022.57

Sabe-se que o sinal eletroencefalográfico é relativamente simples em termos de aquisição. Bastante utilizado em Unidades de Terapia Intensiva, o acompanhamento neurológico de pacientes clinicamente comatosos por meio desse sinal tem sido constatado pela literatura internacional como um dos elementos que auxiliam o prognóstico do paciente em coma. Esta última pode desdobrar em dois desfechos ao paciente conforme o nível de consciência medido: bom ou ruim. O desfecho ruim pode ser o óbito por causas clínicas ou ainda referente à morte encefálica. Conseguir distinguir o desfecho do paciente comatoso utilizando ferramentas do sinal eletroencefalográfico em frequências de 1 a 100 Hz a partir de modelos matemáticos é o objetivo central desse estudo. Registros de EEG de pacientes comatosos foram considerados nessa pesquisa sendo divididos em três desfechos possíveis. Nesse contexto a metodologia desse estudo aborda cálculos quantitativos do sinal EEG desses pacientes, tanto no domínio do tempo quanto no domínio da frequência, levando em consideração para este último, duas faixas distintas de análises: a primeira considerando o sinal clínico, de 1 a 30 Hz; a segunda considerando o espectro de 1 a 100 Hz. Além dessas informações quantitativas, dados como o nível de consciência do paciente durante a realização do exame e a etiologia do coma foram considerados como variáveis de entradas, combinadas entre si, para gerar modelos prognósticos a partir de ferramentas de aprendizado de máquina. Destaca-se que os critérios habituais para elaboração desses modelos foram seguidos de maneira rigorosa ou seja, os dados foram segmentados em dados de treino e dados de teste, houve ainda validação cruzada com cinco pastas bem como a ferramenta de hold out executada cinco vezes. Isso resultou em diversas matrizes de confusão a partir das quais, calculou-se as principais medidas de desempenho vistas na literatura: acurácia, sensibilidade e especificidade. Foi calculada ainda a medida F-escore macro como diferencial, uma vez que não foi evidenciado na literatura nenhum estudo com essa medida. Os classificadores binários considerados na criação dos modelos foram regressão logística, máquina de vetor suporte e k-vizinhos mais próximos. Os resultados encontrados nesse estudo demonstram que o sinal eletroencefalográfico medido em pacientes comatosos tem potencial para ser utilizado como atributo de modelos prognósticos do coma. O melhor valor médio de acurácia aqui obtido foi igual a 0,80, diferenciando pacientes com desfecho de óbito clínico de pacientes em óbito por morte encefálica; sendo que, independentemente do grupamento considerado, a acurácia média foi de 0,68. Observou-se ainda que, em algumas situações, inserir análise dos ritmos gama e supergama provoca melhoria de desempenho dos modelos prognósticos, particularmente quando consideradas as classes ativo e óbito por morte encefálica.