BR112016010053B1 - método para avaliação automática de um estado de ausência de eeg e aparelho de avaliação - Google Patents

Abstract

MÉTODO PARA AVALIAÇÃO AUTOMÁTICA DE UM ESTADO DE AUSÊNCIA DE EEG, PROGRAMA DE COMPUTADOR E RESPECTIVO APARELHO DE AVALIAÇÃO. A presente invenção refere-se a um método para a avaliação automática de um EEG de ausência, no qual curvas-EEG serão registradas por um aparelho de avaliação, sendo avaliadas por meio de um computador do aparelho de avaliação, sendo que na avaliação será determinado a partir das curvas-EEG, através do computador, baseado em uma classificação de estágios do EEG de ausência, pelo menos o estágio atual do estado de ausência, sendo que na classificação de estágios verifica-se uma diferenciação de estágios de profundidade dos estágios do estado de ausência, sendo indicado o estágio atual, sendo selecionado pelo computador um determinado esquema da classificação de estágios entre vários esquemas selecionáveis de classifi-cações de estágio, que se diferenciam pelo número de estágios diferenciáveis do estado de ausência, sendo usada para a realização automática da classifi-cação de estágios para a determinação do estágio atual. Além disso, a invenção refere-se a um programa de computador para a execução de um método desta espécie, bem como refere-se a um aparelho de avaliação para avaliar um EEG de ausência.

Description

[001] A presente invenção refere-se a um método para a avaliação automática de um estado de ausência de EEG. A invenção refere-se também a um programa de computador para a concretização de um método desta espécie, bem como refere-se a um aparelho de avaliação de um estado de ausência EEG.

[002] De uma maneira geral, a invenção compreende o campo da avaliação automática de um estado de ausência de EEG (EEG = eletroencefalograma) conforme já foi descrito com base no documento WO 97/15013 A2, WO 2010/034305 A1 ou WO 2010/034270 A1. EEG é a forma abreviada da expressão eletroencefalograma. Neste procedimento, a partir das curvas do eletroencefalograma, isto é, de valores temporalmente sequenciais de sinais de EEG registrados de um paciente, através de métodos de cálculo, por exemplo, com base em métodos estatísticos, é realizada uma classificação do EEG, na qual a profundidade atual do estado de ausência do paciente é determinada, sendo indicado um estágio atual do estado de ausência, baseado na classificação. Como estado de ausência, compreende-se cada estado do paciente, no qual este - correspondendo à idade - não apresenta capacidade de resposta/contato, ou apenas em reduzida extensão, o que ocorre quando o paciente não se encontrar no estado de vigília.

[003] Estados típicos de ausência estão presentes, por exemplo, durante uma anestesia, por exemplo, durante uma intervenção cirúrgica, ou outro estado de sedação do paciente. Neste procedimento, o paciente será anestesiado, ou seja, sedado pela aplicação de produtos anestésicos. Expresso de uma maneira generalizada, a anestesia e a sedação são estados que foram produzidos pela aplicação de fármacos indutores de sono. Caso pacientes intensivos recebam fármacos indutores do sono, então fala-se geralmente de sedação. Porém, a expressão ‘sedação’ não está limitada a pacientes intensivos. Quando, por exemplo, nas intervenções diagnósticas pacientes recebem fármacos indutores de sono em dosagem reduzida, fala-se também de sedação. No caso são aplicados, por exemplo, por via endovenosa substâncias indutoras do sono. Alternativamente, na anestesia e na sedação podem ser empregados anestésicos voláteis na base de flurano como sevoflurano. Estes podem liberar potenciais de cãibras com dosagem crescente, o que pode ser reconhecido na avaliação correspondente, sendo eventualmente eliminados nas curvas-EEG registradas, como no estado da técnica acima já mencionado.

[004] Outros estados típicos de ausência estão presentes, por exemplo, em um estado comatoso, ou em vários outros estados nos cuidados intensivos, isto é, em uma estação de tratamento intensivo (EEG-intensivo). Pacientes intensivos podem ser portadores de patologias mais diferenciadas que podem influenciar a função cerebral. Tipicamente no EEG, com um aumento do amortecimento da função cerebral, ocorre um abrandamento progressivo. De acordo como grau do abrandamento podem-se diferenciar estágios variados, por exemplo, A até F. Abrandamentos até o estágio F podem ser ocasionados, por exemplo, por alterações do metabolismo, hipotermia, deficiência de oxigênio.

[005] De uma maneira geral, a noção da ausência-EEG, ou seja, do estado de ausência, compreende, portanto, casos nos quais a função cerebral de um paciente é alterada no sentido de um amortecimento em comparação com um estado normal,. Além do esquema acima descrito do abrandamento, podem se apresentar no EEG padrões especiais, como atividade típica epiléptica.

[006] As curvas EEG registradas estão, portanto, sujeitas a determinadas alterações devido ao desenvolvimento progressivo de um ser humano. Alterações bastante nítidas são verificadas no desenvolvimento de pessoas jovens, isto é, de crianças, até a transição para a idade adulta. Especialmente dentro do primeiro ano de vida, as curvas EEG se desenvolvem de forma bastante expressiva.

[007] A partir do documento WO 97/15013 A2 já é conhecido que o EEG de um ser humano apresenta características dependentes da idade. Para aprimorar a divisão a classificação de estágios foi ali proposto selecionar, a partir de funções classificatórias memorizadas diferenciadas e dependentes de idade, as funções classificatórias específicas da idade de um paciente. Desta maneira, a classificação de estágio correta poderá ser feita de uma forma mais confiável.

[008] O método conhecido deverá continuar a ser aprimorado a fim de viabilizar especialmente nos pacientes muito jovens, dentro dos primeiros anos de vida, uma determinação confiável do estágio atual de ausência.

[009] Esta tarefa será solucionada de acordo com a invenção por um método para avaliação automática de um estado de ausência-EEG, no qual curvas-EEG são registradas por um aparelho de avaliação, sendo avaliadas através de um computador do aparelho de avaliação, sendo que na avaliação, a partir das curvas-EEG, durante uma classificação de estágios do estado de ausência-EEG por meio do computador é determinado, pelo menos, o estágio atual do estado de ausência de um paciente, sendo que na classificação de estado são diferenciados estágios da profundidade de um estado de ausência, sendo indicado o estágio atual, e por parte do computador é selecionado um determinado esquema da classificação de estágios de vários esquemas selecionáveis de classificação de estágios que se diferenciam pelo número dos estágios diferenciáveis do estado de ausência, sendo usado para a realização automática da classificação de estágios, visando a determinação do estado atual. A invenção possui a vantagem de poder ser realizada uma classificação de estágios adequada ao desenvolvimento ou à idade do estado de ausência de EEG, podendo ser indicadas, correspondentemente, informações adequadas ao usuário. Estes dados serão determinados com alto grau de confiabilidade. Assim, especialmente, poderá ser feita uma adequação flexível a pacientes muito novos. Nos neonatos ou em crianças muito novas, conforme revelam reconhecimentos mais recentes, são diferenciáveis apenas poucos estágios de ausência de EEG. Na dependência da madureza do cérebro, aumenta o número dos estágios diferenciáveis.

[0010] O aparelho de avaliação pode ser configurado, por exemplo, como aparelho compacto que será posicionado próximo de um paciente. O aparelho de avaliação também poderá ser constituído como um aparelho composto de vários componentes, sendo que os componentes também podem estar distribuídos, por exemplo, em diferentes dependências de um prédio. Assim, por exemplo, o aparelho de avaliação pode possuir uma estação de registro de dados para registrar as curvas-EEG ou um computador disposto dali distanciado, por exemplo, um computador central, em uma estação intensiva para uma avaliação online das curvas-EEG ou um computador para uma avaliação off-line das curvas-EEG.

[0011] Segundo uma ampliação vantajosa da invenção está previsto verificar, após o início do estado de ausência, se as curvas- EEG apresentam determinadas características, baseado nas quais pode ser decidido qual esquema da classificação de estágios será doravante usado. A escolha do esquema determinado entre vários esquemas selecionáveis de classificações de estágios pode, portanto, ser feita uma vez pouco após o início do estado de ausência. Também é possível continuar a analisar as curvas-EEG durante o estado de ausência para a verificação de características, baseado nas quais deverá ser selecionado o esquema da classificação de estágios, e trocando na operação posterior eventualmente de um esquema uma vez escolhido para um outro esquema, igualmente escolhido.

[0012] O estágio atual do estado de ausência, determinado baseado no esquema selecionado da classificação de estágios, será fornecido, por exemplo, através de uma interface do aparelho de avaliação para um outro aparelho ou será visualmente apresentado diretamente em um display. De acordo com uma ampliação vantajosa da invenção será fornecida adicionalmente uma informação sobre o atual esquema escolhido da classificação de estágios, por exemplo, pela transferência para a interface mencionada ou apresentação visual no aparelho de avaliação. Isto permite ao usuário do aparelho de avaliação uma avaliação rápida e intuitiva dos dados fornecidos.

[0013] Para a avaliação das curvas-EEG pelo computador e a classificação de estágios da ausência de EEG existem diferentes métodos e algoritmos, dos quais, em seguida, alguns serão explanados a título de exemplo.

[0014] A eletroencefalografia é um método para representar atividades elétricas geradas pelo cérebro. De uma maneira convencional, o registro do EEG é realizado com um registrador de canal múltiplo em papel contínuo. Progressivamente o registro também é feito com o auxílio de computadores.

[0015] A composição das formas das ondas no eletroencefalograma (EEG) depende do estado funcional do cérebro. As imagens-EEG, incidentes em pacientes de intervenções cirúrgicas e no campo intensivo, são diversificadas e podem ser influenciadas por um grande número de fatores endógenos e exógenos. Além do EEG-vigília normal pode-se contar, por exemplo, com elementos do EEG do sono, efeitos de fármacos e outras substâncias químicas exógenas aplicadas, influências condicionadas por ventilação e metabólicas, efeitos da temperatura, consequências de lesões cerebrais traumáticas, bem como alterações de EEG de inflamações, vasculares, degenerativas e causadas por neoplasmas.

[0016] As ondas incidentes no EEG são alocadas às seguintes faixas de frequências: Alfa (7.5 - 12.5Hz), beta (> 12.5Hz), theta (3.5 - 7.5Hz) e delta (0.5 - 3.5Hz). Além disso, o Subdelta - (< 0.5Hz) e a faixa gama (> 30Hz) podem ser delimitados. Na avaliação, as ondas são descritas em faixas de frequência relativamente às suas amplitudes, frequência de incidência, regularidade, estruturação temporal, distribuição localizada e alteração nos estímulos. Amplitudes-EEG são medidas em μV. Ondas de frequência mais alta normalmente apresentam amplitudes menores ao passo que um abrandamento está, geralmente, vinculado com um aumento de amplitude.

[0017] Para a classificação de estágios de sono, de anestesia, ou seja, de coma-EEG, Kugler propõe uma classificação de EEG, na qual o estado de vigília é designado com A e imagens-EEG com progressivo amortecimento da função cerebral, são designadas com as letras B até F. Para efeito de avaliação das curvas-EEG, são usadas a frequência de incidência e a amplitude das ondas dentro de determinadas faixas de frequência, bem como amostras típicas.

[0018] O EEG-vigília, estágio A, é caracterizado na maioria de pessoas adultas por ondas na faixa de frequência alfa. O estágio B é caracterizado pelas ondas de frequência rápida e amplitude baixa. Nos estágios C e D apresentam-se ondas theta e delta. No estágio E a atividade delta de alta amplitude determina a imagem da curva. O estágio F é expresso por um câmbio de percursos de curvas planas até isoelétricas e grupos de ondas mais altas, a amostra de supressão Burst (surto), ou por uma atividade contínua muito plana.

[0019] A derivação de um EEG convencional é relativamente complexa. A interpretação exige conhecimentos especiais e experiência. Uma avaliação melhor da alteração-EEG de decorrência dinâmica é viabilizada pelo registro do sinal original e da análise espectral do EEG. Para o cálculo de um espectro de potencial de EEG, por um determinado espaço de tempo, os sinais-EEG, após uma transformação análogo-digital, são submetidos, por exemplo, a uma transformação Fast Fourier (FFT). Com o auxílio da transformação Fourier, a imagem de ondas do EEG é decomposta em componentes vibracionais básicos, verificando-se uma transformação de tempo na faixa de frequência. As amplitudes elevadas ao quadrado dos componentes vibracionais compõem o espectro de potencial ou de força. No espectro de potencial-EEG podem ser lidas as frequências incidentes no sinal temporal. Porém também estas indicações requerem a interpretação a fim de obter esclarecimentos sobre o estágio-EEG e, portanto, sobre o estado funcional cerebral.

[0020] O processamento sequencial dos resultados da transformação Fourier compreende a extração dos chamados parâmetros espectrais, bem como cálculos estatísticos continuados. Fazem parte dos parâmetros que podem ser derivados do espectro, por exemplo, a potência global, bem como potências absolutas e relativas em diferentes faixas de frequência. Outros parâmetros frequentemente usados são o mediano, a chamada Spectral Edge Frequency (frequência de borda espectral) e a frequência dominante. O mediano é a frequência na qual a superfície do espectro é dividida em duas partes iguais. A frequência de borda espectral é geralmente definida como quantil de 95%, isto é, 95% da potência global do espectro estão situados abaixo desta frequência. A frequência dominante é a frequência da maior potência.

[0021] Com o espectro da potência pode-se apresentar de uma forma clara a divisão de frequência de segmentos-EEG. Por outro lado, baseado em amostras especiais como fases de supressão Burst (surto) ou potenciais de ataques geralmente não se pode concluir o espectro.

[0022] Um método para o cálculo rápido do espectro da potência é a transformação Fast Fourier (FFT).

[0023] Uma possibilidade para a análise de sinais EEG na faixa temporal é a determinação de parâmetros autorregressivos. Parâmetros autorregressivos (AR) são grandezas da faixa temporal. Um valor de medição em um determinado momento é apresentado como soma ponderada dos seus valores passados, acrescidos de um componente acidental. Os pesos são os parâmetros AR. A fórmula geral de um processo AR é como segue:

[0024] No caso, Yt designa o valor da medição no momento t, o ai, i = 1, ..., p designa os parâmetros AR e et designa componentes acidentais independentes com valor médio 0 e variação constante para todos os momentos t. A letra p designa a ordenação do processo, isto é, o número dos valores passados que são considerados. Os parâmetros de modelo podem ser avaliados com o auxílio da equação de Yule-Walker. Para determinação da ordenação do modelo e do exame da qualidade do modelo usa-se, geralmente a abordagem de Box e Jenkins. Uma visão sobre outros métodos de avaliação de classes de modelos é fornecida por Kay e Marple.

[0025] Um método frequentemente empregado para a caracterização de medições-EEG é o cálculo de parâmetros-EEG especiais que foram propostos por Hjorth, sendo designados como seu nome. No caso, trata-se de três parâmetros, ou seja, atividade, mobilidade e complexidade. Os parâmetros de Hjorth são calculados a partir da dispersão do sinal-EEG, bem como de sua primeira e segunda derivação. Alternativamente, o cálculo dos parâmetros de Hjorth poderá também ser feita na faixa de frequência, isto é, com a ajuda da análise espectral.

[0026] A atividade corresponde à potência global do sinal e, portanto, constitui uma medida da grandeza da amplitude da medição- EEG. A mobilidade poderá ser interpretada como uma medida da frequência média e a complexidade pode ser interpretada como uma medida da variabilidade do sinal.

[0027] Além de parâmetros espectrais puros ou de parâmetros-AR puros, é possível a determinação combinada, por exemplo, de parâmetros espectrais, parâmetros-AR, parâmetros-Hjorth ou também parâmetros caóticos e/ou também outros parâmetros.

[0028] Para a classificação de dados-EEG através de funções de classificação multivariáveis na base de parâmetros espectrais e/ou parâmetros-AR e/ou parâmetros-Hjorth e/ou parâmetros caóticos e/ou também outros parâmetros, se adaptam, por exemplo, métodos discriminantes analíticos ou redes neurais.

[0029] Métodos classificatórios discriminante-analíticos, são adequados para alocar objetos a um de vários grupos definidos com base em uma série de características determinadas. Na classificação de estágios de ausência-EEG, os segmentos-EEG constituem os objetos a serem classificados que são caracterizados por parâmetros espectrais e/ou parâmetros-AR e/ou parâmetros-Hjorth e/ou parâmetros caóticos. Para o cálculo de adequadas funções classificatórios existe uma série de métodos, nos quais podem-se diferenciar entre abordagens paramétricas e não paramétricas. Por meio de um exame aleatório de objetos, conhecido para alocação de grupos, podem ser derivadas funções classificatórias baseadas nos valores característicos observados.

[0030] Nos métodos paramétricos é considerado pressupõe-se que o vetor de característica observado nos diferentes grupos acompanha uma distribuição normal multivariável. A análise discriminatória linear pressupõe a igualdade das matrizes covariantes nos diferentes grupos, sendo que a análise discriminatória quadriforme viabiliza a consideração de matrizes covariantes diferenciadas dos grupos. Como medida de distanciamento é usada a distância Mahalanobis que representa a distância ponderada de um vetor de observação para com os valores grupais médios. Um objeto será, então, alocado àquele grupo, no qual é menor uma função da distância Mahalanobis dependente do método escolhido.

[0031] Quando for desconhecida, ou seja, não estiver normalmente distribuída a alocação do vetor da característica, podem ser empregados métodos não paramétricos para a derivação de normas classificatórias. Um método claro é o método k-nearest-neighbor (método não paramétrico usado para classificação e regressão). No caso, são formadas as distâncias do vetor característico a ser classificado em relação a todos os demais vetores de características do exame aleatório disponível, sendo a alocação feita de acordo com o tamanho e sendo determinados os vetores de observação com menores distâncias k, sendo que o número k dos valores considerados precisa ser previamente determinado. Depois será determinado a quais grupos pertencem esses valores k e será determinada a sua parcela no número global das medições nos diferentes grupos. A alocação será feita depois para o grupo, no qual esta parcela é maior.

[0032] Este método não paramétrico exige maior esforço de cálculo, comparado com métodos paramétricos, visto que para a classificação de um objeto é preciso recorrer ao conjunto de dados original global, ao passo que nos métodos paramétricos, os valores característicos de um objeto são empregados em funções classificatórias.

[0033] Para avaliar a qualidade de um método classificatório poderá ser usada a taxa de erro aplicável, sendo que sob a expressão de taxa de erros compreende-se a parcela de classificações erradas. Uma possibilidade para avaliação da taxa de erros reside na reclassificação dos dados. A taxa de erros assim determinada fornece, todavia, uma avaliação demasiado positiva da real taxa de erros. Uma avaliação mais realística da taxa de erros será proporcionada quando as classificações forem testadas em um conjunto de dados independente. Isto pode ser realizado por uma fragmentação do conjunto de dados fornecidos em um conjunto de dados de treinamento para a derivação da norma classificatória e um conjunto de dados de teste para a validação da classificação. Uma forma extrema da fragmentação dos dados reside na chamada validação cruzada ou no método Leave-One-Out (exclusão de um fator). No caso, será extraída uma observação do conjunto de dados e a classificação será realizada, baseada na função discriminatória, calculada dos dados remanescentes.

[0034] Caso esteja presente um grande número de características potenciais para a derivação de funções discriminatórias, então com o auxílio de métodos graduados adequados podem ser determinados aqueles parâmetros que asseguram a maior possível separação dos grupos. Para esta finalidade são propostos, na literatura uma série de métodos, por exemplo, são integrados na avaliação parâmetros graduais, os quais, baseados em lambda de Wilks, oferecem a maior contribuição para a separação grupal.

[0035] A divisão de estágios do EEG de anestesia ou EEG-intensivo poderá ser feita, baseado na indicação de Kugler, o qual, conforme inicialmente já mencionado, designa o estado de vigília com A e o amortecimento muito profundo da função cerebral com F. Os estágios intermediários B até E podem ser ainda mais subdivididos conforme mostra a tabela no documento WO 97/15013 A2. Também é possível usar no lugar das designações de classe A até F, por exemplo, uma escala numérica, por exemplo, 100 até 0.

[0036] Outro aprimoramento da classificação de estágios será alcançado quando a partir de funções classificatórias memorizadas, diferenciadas e dependentes de idade, forem selecionadas as funções classificatórias específicas de idade de um paciente. Foi verificado que o EEG de um ser humano apresenta características dependentes da idade. Expresso de forma simplificada, desloca-se, por exemplo, o espectro nos adultos com crescente idade no estado de vigília até frequências mais baixas, sendo que durante a anestesia, por exemplo, o potencial delta é reduzido. Pela consideração de funções classificatórias específicas de idade, poderá ser feita de modo confiável uma classificação correta de estágios.

[0037] Segundo uma ampliação vantajosa da invenção, será integrada no aparelho de avaliação uma indicação sobre a idade do paciente, cujas curvas-EEG foram registradas. A seleção automática do esquema da classificação de estágios será realizada pelo computador, levando em conta a idade indicada. Isto apresenta a vantagem de que pela indicação manual da idade do paciente, pode ser delimitada a área dos esquemas de classificação de estágios provavelmente presentes e a serem selecionados. Não obstante, ficou evidenciado que uma determinação inequívoca do esquema a ser selecionado de classificações de estágios apenas baseado na indicação da idade geralmente não oferece resultados satisfatórios, porque os seres humanos e os seus cérebros se desenvolvem de forma diferenciada na dependência da idade e, portanto, não é possível definir um limite de idade determinado, no qual possa ser realizada nas curvas-EEG, por exemplo, a classificação comum nos adultos nos estágios A até F. Ensaios revelam que uma classificação de estágios desta natureza é possível eventualmente a partir de uma idade de meio ano, porém a dispersão da idade é relativamente grande. Nas crianças muito novas é, portanto, vantajoso tomar por base uma classificação de estágios menos diferenciada.

[0038] Segundo uma vantajosa ampliação da invenção, a escolha automática do esquema da classificação de estágios será realizada pelo computador, considerando as curvas-EEG registradas e/ou dados delas derivados. Isto possui a vantagem de poder ser realizada automaticamente uma seleção confiável de um esquema adequado da classificação de estágios, qual seja baseado nas curvas de qualquer maneira já registradas, de maneira que será adicionalmente simplificado o uso do aparelho de avaliação. A consideração das curvas-EEG registradas pode, por exemplo, ser feita no sentido de que as curvas- EEG são examinadas com relação a determinados padrões de curvas características ou dados característicos determinados que podem ser determinados das curvas e que são característicos para determinados estágios de desenvolvimento de EEGs. Assim sendo, a avaliação do esquema da classificação de estágios pode ser realizada, por exemplo, com base em dados de amplitude, dados de frequência e/ou valores médios ou percursos temporais de amplitudes e/ou frequências das curvas-EEG.

[0039] Segundo uma ampliação vantajosa da invenção, no reconhecimento de uma determinada parcela mínima de parcelas sinais de baixa frequência e não reconhecimento de uma determinada parcela mínima de parcelas de sinais de alta frequência nas curvas-EEG, será escolhido um esquema com um número menor de estágios diferenciáveis do estado de ausência do que sucede no reconhecimento de uma parcela mínima de parcelas de sinais de alta frequência que podem estar combinadas com uma determinada parcela mínima de parcelas de sinais de baixa frequência. Desta maneira, por exemplo, nos pacientes na idade infantil, que apresentam uma imagem de ondas preponderantemente lentas com correspondentes parcelas de sinais de baixa frequência no EEG, poderá ser escolhido um esquema com menor número de estágios diferenciáveis. Nos pacientes mais idosos que são caracterizados por maior número de parcelas de sinais de alta frequência nas curvas-EEG, podem ser selecionados esquemas com classificações mais finas e adequadas de estágios de diferenciação.

[0040] Sob a influência de anestésicos/sedativos podem surgir ondas delta como parcelas de sinal de baixa frequência. Quando estas ondas de baixa frequência estiverem superpostas por uma parcela mínima de ondas de frequência mais alta - como expressão da ação de agentes anestésicos - poderá ser tomada a decisão de que se trata de um EEG diferenciado. De modo correspondente, poderá então ser selecionado um esquema com maior número dos estágios diferenciáveis do estado de ausência. Se o EEG estiver constituído apenas de ondas de baixa frequência, deverá ser selecionado um esquema com menor parcela de estágios diferenciáveis.

[0041] Caso durante a realização da medição se apresentar em crianças de reduzida idade uma atividade em frequência mais alta com reduzida ou inexistente parcela de sinais de baixa frequência, como é típico, por exemplo, nos estágios B e C nas crianças de mais idade ou nos adultos, será selecionado um esquema com um maior número dos estágios diferenciáveis do estado de ausência.

[0042] Segundo uma ampliação vantajosa da invenção, no reconhecimento de uma determinada parcela de sinais de alta frequência nas curvas-EEG, poderá ser selecionado um esquema com maior número de estágios diferenciáveis do estado de ausência. Não obstante, no caso em que se apresentar o "não reconhecimento de uma parcela mínima de sinais de baixa frequência" e não se apresentar "reconhecimento de uma determinada parcela de sinais de alta frequência" não deverá ser selecionado um esquema com uma parcela maior dos estágios diferenciáveis do estado de ausência, porque poderia tratar-se de um EEG quase ou totalmente suprimido (“estágio F" com linhas zero).

[0043] Segundo uma ampliação vantajosa da invenção, o computador baseia-se inicialmente em um primeiro esquema com um determinado número dos estágios diferenciáveis do estado de ausência e selecionará, em um momento de avaliação, no qual está presente um número suficiente de dados-EEG, no reconhecimento de determinadas características nas curvas-EEG, seleciona um segundo esquema da subdivisão de estágios que apresenta um número menor ou maior dos estágios diferenciáveis do estado de ausência do que o primeiro esquema. Assim, por exemplo, no reconhecimento de uma parcela mínima de parcelas de sinais de baixa frequência nas curvas-EEG, poderá ser selecionado o segundo esquema da classificação de estágios. Se a condição de seleção, ou seja, o reconhecimento de determinadas características não se apresentar, o computador poderá, por exemplo, continuar a empregar o primeiro esquema ou poderá selecionar o primeiro esquema como um esquema a ser empregado para a realização automática da classificação de estágios. Assim, como primeiro esquema poderá ser usado, por exemplo, o esquema de uma classificação de estágios para adultos, por exemplo, com a classificação de estágios A até F, ou a classificação mais fina com os estágios A0, A1, A2, B0, B1, B2, C0, C1, C2, D0, D1, D2, E e F, conforme descrito na Tabela 1 do documento WO 97/15013. O segundo esquema da classificação de estágios pode ter, por exemplo, uma classificação nos estágios A, E e F. A alocação antes mencionada das classificações de estágios em relação ao primeiro e ao segundo esquema também poderá ser feita na sequência inversa.

[0044] Para a determinação do primeiro esquema, no qual o computador se baseia inicialmente, poderá também ser usada a indicação da idade fornecida do paciente. Nas crianças muito novas, especialmente em neonatos, ou seja, em prematuros, deve-se partir do pressuposto de que inicialmente pode ser usada uma classificação de estágios com número de estágios reduzido. Isto deve ser o caso em todas as crianças nos primeiro dois a três meses de vida como mostram atuais análises-EEG específicas. Na correspondente indicação de idade, o aparelho de avaliação não se baseia na classificação padrão A, B, ..., F, ou seja, 100 até 0, porém em um esquema com classificação de estágios reduzida. Nas crianças de mais idade, o aparelho de avaliação poderá se basear inicialmente em um esquema com maior número dos estágios diferenciáveis e depois, durante a medição, poderá passar eventualmente para um esquema com número menor de estágios diferenciáveis.

[0045] Segundo uma vantajosa ampliação da invenção, são avaliados pelo menos parcelas de frequências na banda delta como parcelas de sinal de baixa frequência das curvas-EEG. Adicionalmente também poderão ser avaliadas parcelas de frequências com frequências abaixo da banda delta como parcelas de sinais de baixa frequência. Em uma ampliação da invenção, poderão ser avaliadas parcelas de frequências com frequências acima da banda delta como parcelas de sinais de alta frequência.

[0046] Como outro critério para a seleção automática de um esquema da classificação de estágios, podem ser avaliadas as curvas- EEG no tocante a chamados percursos de supressão nos modelos burst-suppression (modelos de supressão de surto) ou no EEG de supressão. Como surto compreende-se uma sequência de ondas de sinais em uma curva-EEG. Percursos de supressão em curvas-EEG são segmentos de curvas, nos quais não se apresentam surtos e o sinal, em comparação com as ondas de sinal, apresenta um percurso de surto plano. Os segmentos entre surtos adjacentes são designados como percursos de supressão. Consoante a uma ampliação vantajosa da invenção, na avaliação das curvas-EEG poderá ser feito um reconhecimento de padrões de supressão de surto e no aparecimento de características predeterminadas de padrões de supressão de surto nas curvas-EEG, poderá ser selecionado um esquema de classificação de estágios que apresenta um número menor dos estágios diferenciáveis no estado de ausência. em comparação com um outro esquema escolhido da classificação de estágios. Como característica de modelos de supressão de surto poderá ser usado, por exemplo, o comprimento de percursos de supressão ou a taxa de supressão de surto (BSR). A taxa de supressão de surto indica qual percentual de um segmento de curva-EEG é constituído de percursos de supressão. Além disso, o intervalo entre surtos (Inter-Burst-Interval - IBI), que constitui uma medida para a distância entre os surtos, poderá ser usado como característica.

[0047] Segundo uma ampliação vantajosa da invenção, além de um esquema padrão da classificação de estágios, poderá ser selecionado um outro esquema ou, de acordo com o estágio de desenvolvimento do paciente, podem ser escolhidos outros esquemas da classificação de estágios pelo computador, especialmente classificações de estágios com um número menor de estágios diferenciáveis do estado de ausência do que o esquema padrão. Isto permite uma classificação de estágios adequada de uma maneira especialmente satisfatória ao estágio de desenvolvimento do EEG.

[0048] É especialmente vantajoso o registro de dados-EEG até o ponto da avaliação após a indução de um estado de ausência. Desta maneira serão evitadas possíveis falsificações na escolha de um esquema aplicável da divisão de estágios pelo dados-EEG registrados ainda em estágio de vigília. Ensaios demonstraram ser praticamente impossível avaliar uma classificação de estágios baseado no EEG- vigília, referida ao desenvolvimento de um EEG de ausência.

[0049] Segundo uma ampliação vantajosa da invenção, baseado no esquema escolhido da classificação de estágios, será determinada uma indicação sobre o estágio de desenvolvimento do EEG. Esta indicação sobre o estágio de desenvolvimento do EEG poderá ser internamente usada sequencialmente no aparelho de avaliação, a fim de influenciar, nesta dependência, determinadas outras avaliações ou funções classificatórias da análise dos sinais-EEG. A indicação sobre o estágio de desenvolvimento do EEG também poderá ser fornecida, por exemplo, através de uma interface do aparelho de avaliação para um outro aparelho ou poderá ser apresentada visualmente, por exemplo, em um display do aparelho de avaliação.

[0050] Em conformidade com uma ampliação vantajosa da invenção, as curvas-EEG serão analisadas por padrões de curvas gerados por outros biossinais e - quando for reconhecido pelo menos uma destas amostras de curva - será testado se deverá ser escolhido um outro esquema para a classificação de estágios do que no não reconhecimento de tais amostras de curvas. Desta maneira podem ser detectadas, por exemplo, interferências externas de sinais, artefatos, especialmente artefatos de movimentação, bem como potenciais típicos de epilepsia, sendo considerados tanto para a seleção do esquema da classificação de estágios, como também para a efetiva classificação de estágios, isto é, a função classificatória.

[0051] De acordo com uma ampliação vantajosa da invenção, por meio de sensores de artefatos, que podem estar acoplados ao aparelho de avaliação, serão determinados artefatos de movimentação nas curvas-EEG registradas, sendo corrigidas as curvas-EEG, baseado nos artefatos de movimentação determinados e/ou sendo corrigida e/ou suprimida a classificação de estágios e/ou será selecionado um outro esquema da classificação de estágios. Tais sensores de artefatos podem ser configurados, por exemplo, como sensores de deformação de eletrodos-EEG. Tais sensores de deformação podem compreender capacidades que são alteráveis por deformação e cuja alteração capacitiva está correlacionada com a deformação dos eletrodos-EEG.

[0052] Para a determinação do estágio atual do estado de ausência e/ou para a seleção do esquema a ser usado da classificação de estágios, as curvas-EEG podem ser usadas ou diretamente ou dados delas derivados. Assim, por exemplo, podem ser determinadas parcelas de frequência através de uma análise Fourier ou por uma análise semelhante. Podem ser estatisticamente avaliados valores de amplitudes. Também poderá ser determinado um EEG de amplitude integrada. O EEG de amplitude integrada é uma apresentação espacialmente comprimida das amplitudes de um segmento-EEG. No cálculo de um EEG de amplitude integrada, o sinal-EEG poderá, por exemplo, ser filtrado de forma acentuada, poderá ser retificado e alisado.

[0053] A tarefa inicialmente mencionada será solucionada, de acordo com a invenção, também por um programa de computador com meios de codificação de programas, configurado para a realização de um método da espécie antes descrita, quando o programa for executado em um computador. O programa computadorizado poderá ser executado, especialmente, em um computador do aparelho de avaliação acima mencionado. O programa computadorizado poderá estar memorizado em um veículo que pode ser lido em máquina, por exemplo, em um CD ou em um DVD, em um pendrive, em um servidor de Internet ou em uma memória do aparelho de avaliação.

[0054] De acordo com a invenção, a tarefa inicialmente mencionada também será solucionada por um aparelho de avaliação para avaliar um EEG de ausência, sendo que o aparelho de avaliação compreende pelo menos um computador, um meio de registro de sinal-EEG e meios de indicação, sendo que o aparelho de avaliação está configurado para a realização de um método da espécie acima descrita. Assim sendo, o aparelho de avaliação poderá ser configurado, por exemplo, para a execução do método, executando o computador um programa computadorizado da espécie acima descrita. O meio de indicação pode ser, por exemplo, uma interface do aparelho de avaliação ou um meio para apresentação visual, por exemplo, um display.

[0055] Em seguida a invenção será explicada mais detalhadamente em base em exemplos de execução, com o uso de desenhos.

[0056] As figuras mostram: Figura 1 - um aparelho de avaliação no registro de um EEG e Figura 2 - uma apresentação de curvas-EEG registradas pelo aparelho de avaliação e dados delas derivados e Figura 3 - uma apresentação do sequenciamento na avaliação de um EEG de ausência no aparelho de avaliação.

[0057] Nas figuras serão usados números de referência iguais para elementos reciprocamente correspondentes.

[0058] A Figura 1 apresenta um aparelho de avaliação 1 para avaliar um EEG de ausência. O aparelho de avaliação 1 possui um computador 2, integrado no aparelho de avaliação, por exemplo, em uma platina central, que pode ser configurado, por exemplo, como microprocessador ou microcontrolador. Além disso, o aparelho de avaliação 1 possui um meio de indicação 3, por exemplo, um display. No meio de indicação 3 podem ser graficamente representados traçados de curvas ou podem ser reproduzidos outros dados registrados e respectivamente determinados. Além disso, o aparelho de avaliação 1 possui um acoplamento 4 elétrico que serve para o acoplamento de eletrodos-EEG 7, por exemplo, através de um conector elétrico.

[0059] A Figura 1 apresenta como vários eletrodos-EEG 7 estão acoplados na cabeça de um paciente. Através de cabos 6 que são unidos próximos do aparelho de avaliação em um feixe de cabos 5 comum, os eletrodos-EEG 7 estão ligados com o acoplamento 4 elétrico do aparelho de avaliação 1. O feixe de cabos 5 comum poderá ser usado, por exemplo, pela avaliação dos valores capacitivos, existentes entre os cabos, sendo usado como um ou vários sensores de artefatos para o reconhecimento de artefatos de movimentação. Para tanto, no aparelho de avaliação 1 estão previstos meios de registro de capacidades entre as linhas 6 do feixe de cabos 5.

[0060] A Figura 2 mostra, por exemplo, dados típicos reproduzidos no meio de indicação 3 do aparelho de avaliação 1. Em uma janela superior podem ser representadas, por exemplo, uma ou várias curvas- EEG 10 como são registradas pelos sensores-EEG 7, como percurso temporal de curvas. Em uma área de indicação 11 poderá ser apresentado o estágio atual do estado de ausência como é determinado pelo computador 2 pela avaliação das curvas-EEG. Em uma área de indicação 12 poderá ser indicada adicionalmente a profundidade da anestesia, ou seja, da sedação, como número adimensional na faixa de 0 até 100.

[0061] Em uma apresentação de diagrama temporal, na parte direita inferior poderá ser indicado o percurso temporal dos estágios determinados, conforme mostrado na área 11, como percurso de curva 14. No eixo vertical do diagrama, na área 13, são reproduzidos os estágios diferenciáveis A até F do esquema escolhido da classificação de estágios. A indicação A até F indica a classificação de estágios em um paciente adulto. Em um EEG menos desenvolvido, por exemplo, em uma criança muito nova, na área 13 poderá então se verificar uma indicação diferente baseado de um outro esquema de classificação de estágios selecionado pelo computador, por exemplo, somente as letras A, E e F. Também é possível usar ao invés das designações de classe A até F, por exemplo, uma escala numérica, por exemplo, de 100 até 0.

[0062] A tabela subsequente mostra uma alocação simplificada entre os estágios com as designações de classe A até F, e uma escala com cifras (valores de índice).

[0063] Conforme já explicado, nas crianças com EEG não amadurecido deverá ser usada uma classificação de estágios com poucos estágios (aqui, por exemplo, A, E, F). Os valores de índice 100 - 0 ou podem ser adequados à classificação de estágios reduzida (toda a faixa de índice 100 - 0 seria usada), ou poderia ser usada, pelo menos, somente uma parcela da faixa de índice 100 - 0, por exemplo, somente a faixa 100 - 95 e a faixa 36 - 0.

[0064] A Figura 3 mostra o sequenciamento na avaliação automática das curvas-EEG pelo computador 2. Os blocos 20, 21, 22, 23, 24, 25, reproduzidos na Figura 3, indicam determinadas funções de avaliação ou algoritmos que são realizadas no computador 2. Assim sendo, os blocos 20, 21, 22, 23, 24, 25 poderiam ser configurados, por exemplo, como segmentos de programa, módulos de programas ou subprogramas de um programa computadorizado que é executado pelo computador 2.

[0065] No bloco 20 verifica-se a leitura das curvas-EEG. Em um bloco 21 seguinte verifica-se uma análise de sinal das curvas-EEG, por exemplo, por transformação Fourier, determinação de um espectro de potencial e/ou um EEG de amplitudes integradas. Em um bloco 22 subsequente, baseado em um ou vários dos critérios a seguir ainda explicitados, verifica-se uma seleção de um esquema a ser usado da classificação de estágios entre vários esquemas 26 selecionáveis. Por exemplo, pelos três blocos 26 são apresentados três esquemas selecionáveis, dos quais o computador 2, no bloco 22, escolhe um esquema.

[0066] Em um bloco 23 subsequente verifica-se uma seleção de uma função classificatória para a classificação a ser sequencialmente realizada da curvas-EEG e para a determinação do estágio atual, baseado em uma classificação de estágios do EEG de ausência. É apresentado, a título de exemplo, que o computador no bloco 23 pode selecionar uma entre três funções classificatórias 27 selecionáveis. Em um bloco 24 subsequente verificar-se-á depois uma avaliação das curvas-EEG, ou seja, de dados delas determinados baseado na função classificatória selecionada, de tal maneira que será realizada uma classificação de estágios do EEG de ausência mediante emprego do esquema da classificação de estágios, selecionada no bloco 22. Em um bloco 25 subsequente, eventualmente além de outros dados, será fornecido o estágio atual determinado do estado de ausência.

[0067] No bloco 22, a seleção do esquema a ser usado da classificação de estágios poderá ser realizada a partir dos esquemas 26 disponíveis, baseado na idade previamente indicada do paciente, cujas curvas-EEG foram registradas, e baseado nas curvas-EEG registradas e/ou de dados delas derivados especificamente e/ou baseado em esquemas previamente selecionados de classificação de estágios, conforme acima já foi detalhadamente explanado. Especialmente podem ser usadas, para tanto, curvas-EEG após a indução do estado de ausência. Desta maneira poderá se verificar uma classificação de estágios adequada ao desenvolvimento do EEG, ou seja, ao desenvolvimento do paciente e adequada à sua idade. De forma análoga correspondente, poderá ser realizada no bloco 23 uma seleção respectivamente adequada de uma função classificatória a partir das funções classificatórias 27 disponíveis. Os critérios na seleção do bloco 23 podem ser um ou vários dos critérios acima mencionados.

[0068] De modo correspondente verificar-se-á no bloco 24 uma classificação de estágios do EEG de ausência, adequada duplamente à idade e ao estágio de desenvolvimento do paciente. Pela escolha de funções classificatórias adequadas no bloco 23 será otimizada a classificação de estágios relativamente à avaliação continuada das curvas-EEG. Os dados daí resultantes não serão classificados sempre com o mesmo esquema da classificação de estágios, como ocorre nos aparelhos de avaliação convencionais, porém serão classificados de forma variável baseado no esquema da classificação de estágios, selecionada no bloco 22 ,otimizado para a respectiva idade e estágio de desenvolvimento do paciente. Assim, por exemplo, em um paciente adulto será selecionado um “algoritmo de adulto” para a função classificatória. Os resultados assim determinados serão depois classificados em um de seis estágios A ate F da classificação de estágios. Em uma criança muito nova, como função classificatória seria usado um “algoritmo de criança”. Para a classificação de estágios, seria usado um esquema menos sensível, por exemplo, com apenas três estágios diferenciáveis.

Claims (11)

1. Método para avaliação automática de um EEG de ausência, no qual curvas-EEG serão registradas por um aparelho de avaliação (1), sendo avaliadas através de um computador (2) do aparelho de avaliação (1), sendo que na avaliação será determinado a partir das curvas-EEG, por meio do computador (2), baseado em uma classificação de estágios do EEG de ausência, pelo menos o estágio atual de ausência de um paciente, sendo que na classificação de estágios são diferenciados estágios da profundidade do estado de ausência e sendo que o estágio atual será indicado, caracterizado pelo fato de que pelo computador (2) será selecionado um determinado esquema da classificação de estágios entre vários esquemas (26) selecionáveis de classificações de estágios que se diferenciam pelo número de estágios diferenciáveis do estado de ausência, sendo usado para a realização automática da classificação de estágios para a determinação do estágio atual.

2. Método de acordo com a reivindicação 1, caracterizado pelo fato de que é integrado no aparelho de avaliação (1) uma indicação sobre a idade do paciente, cujas curvas-EEG estão sendo registradas, sendo realizada, pelo computador (2), a seleção automática do esquema da classificação de estágios, considerando a indicação da idade fornecida.

3. Método de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que a seleção automática do esquema da classificação de estágios é realizada pelo computador (2), consideradas as curvas-EEG registradas e/ou dados delas derivados.

4. Método de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que no reconhecimento de uma determinada parcela mínima de parcelas de sinais de baixa frequência e não reconhecimento de uma determinada parcela mínima de parcelas de sinais de alta frequência nas curvas-EEG, será selecionado um esquema com um número menor dos estágios diferenciáveis do estado de ausência do que no reconhecimento de uma determinada parcela mínima de parcelas de sinais de alta frequência que podem estar combinados com uma determinada parcela mínima de sinais de baixa frequência.

5. Método de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que o computador (2) se baseia inicialmente em um primeiro esquema com um determinado número de estágios diferenciáveis do estado de ausência e em um momento de avaliação, no qual está presente um número suficiente de dados-EEG, sendo que no reconhecimento de determinadas características nas curvas-EEG será selecionado um segundo esquema da classificação de estágios que possui um número maior ou menor dos estágios diferenciáveis do estado de ausência do que o primeiro esquema.

6. Método de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que são avaliadas pelo menos parcelas de frequências na banda delta como parcelas de sinal de baixa frequência das curvas-EEG.

7. Método de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que além de um esquema padrão da classificação de estágios, pode ser selecionado pelo computador (2) um outro esquema ou, de acordo com o estágio de desenvolvimento do paciente, podem ser selecionados outros vários esquemas da classificação de estágio, especialmente classificações de estágios com um número menor de estágios diferenciáveis do estado de ausência do que o esquema padrão.

8. Método de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que baseado no esquema selecionado da classificação de estágios, será determinada uma indicação sobre o estágio de desenvolvimento do EEG.

9. Método de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que as curvas-EEG serão analisadas por padrões de curvas geradas por outros biossinais e quando for reconhecida pelo menos uma dessas amostras de curvas, será examinado se deverá ser escolhido um outro esquema para a classificação de estágios do que no não reconhecimento dessas amostras de curvas.

10. Método de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que por meio de sensores de artefatos (5) serão determinados artefatos de movimento nas curvas- EEG registradas e, baseado nos artefatos de movimento determinados, serão corrigidas as curvas-EEG e/ou a classificação de estágios será corrigida ou suprimida e/ou será selecionado um outro esquema da classificação de estágios.

11. Aparelho de avaliação (1) para avaliar um EEG de ausência, sendo que o aparelho de avaliação (1) possui pelo menos um computador (2), meios de registro de sinais-EEG (7) e meios de indicação (3), caracterizado pelo fato de que o aparelho de avaliação (1) está configurado para a realização de um método como definido em qualquer uma das reivindicações 1 a 10.

Images