.
Publicado no Revista de Engenharia Neuraluma equipe de pesquisa liderada pela Escola Médica da Universidade de Minnesota avaliou a confiabilidade de especialistas humanos em comparação a um algoritmo automatizado na avaliação da qualidade de dados de eletroencefalografia intracraniana (iEEG). Esta pesquisa espera abrir caminho para detecção e localização de convulsões mais precisas e eficientes, melhorando, em última análise, os resultados para pacientes com epilepsia.
iEEG é um procedimento que mede a atividade cerebral colocando eletrodos diretamente sobre ou dentro do cérebro. Essas informações detalhadas são cruciais para diagnosticar e tratar condições como epilepsia, onde localizar a fonte exata das convulsões é essencial para um tratamento eficaz.
Para este estudo, a equipe de pesquisa recrutou 16 especialistas, incluindo tecnólogos de EEG e neurologistas treinados em bolsa, para classificar 1.440 canais de iEEG como “bons” ou “ruins”. Neste estudo, bom significava registrar atividade cerebral e ruim significava não registrar atividade cerebral. Suas avaliações foram comparadas a si mesmas, umas às outras e ao algoritmo Automated Bad Channel Detection (ABCD), que foi desenvolvido pelo Herman Darrow Human Neuroscience Lab na Universidade de Minnesota.
O algoritmo ABCD demonstrou maior precisão (95,2%) e melhor desempenho geral em comparação aos avaliadores humanos, particularmente na identificação de canais com ruído de alta frequência.
“Nossas descobertas destacam potenciais vieses e limitações em avaliações de EEG baseadas em humanos. O desempenho do algoritmo ABCD sugere um futuro em que métodos automatizados podem auxiliar os clínicos a melhorar a precisão e a eficiência da detecção de convulsões, melhorando, em última análise, o atendimento ao paciente”, disse Alexander Herman, MD, PhD, professor assistente na U of M Medical School e psiquiatra assistente na M Health Fairview.
Esta pesquisa ressalta o potencial de soluções automatizadas para aumentar a confiabilidade e a eficiência da interpretação de dados de iEEG — essencial para a localização de convulsões e melhores resultados para os pacientes.
“Esta pesquisa demonstra o potencial de algoritmos automatizados para superar especialistas humanos na identificação de canais de EEG ruins. Ao reduzir a carga de trabalho e a variabilidade nas avaliações, podemos nos concentrar mais na tomada de decisões clínicas e no atendimento ao paciente”, disse David Darrow, MD, MPH, professor assistente na U of M Medical School e neurocirurgião da M Health Fairview
Pesquisas futuras devem ter como objetivo refinar ainda mais esses métodos automatizados e explorar sua aplicação em ambientes clínicos em tempo real.
O financiamento foi fornecido pelo Instituto de Neurociência Translacional e MnDRIVE Brain Conditions.
.
