PT11077T - Método e dispositivo para a avaliação do estado anestésico durante a anestesia ou sedação baseada no electroencefalograma - Google Patents
Método e dispositivo para a avaliação do estado anestésico durante a anestesia ou sedação baseada no electroencefalograma Download PDFInfo
- Publication number
- PT11077T PT11077T PT1107710U PT1107710U PT11077T PT 11077 T PT11077 T PT 11077T PT 1107710 U PT1107710 U PT 1107710U PT 1107710 U PT1107710 U PT 1107710U PT 11077 T PT11077 T PT 11077T
- Authority
- PT
- Portugal
- Prior art keywords
- eeg
- anesthetic
- unit
- anesthesia
- animal
- Prior art date
Links
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
FORNECE-SE UM MÉTODO E DISPOSITIVO PARA MONITORIZAR O ESTADO ANESTÉSICO DE PACIENTES ANIMAIS SUJEITOS A ANESTESIA GERAL. DIVULGA-SE UMA INVENÇÃO ROBUSTA, ADAPTÁVEL ÀS ESPÉCIES ANESTESIADAS E AOS FÁRMACOS ANESTÉSICOS USADOS. A PRESENTE INVENÇÃO TRANSFORMA (5, 6, 7, 8) O EEG ANIMAL (4) NUM PARÂMETRO SIMPLES DE INTERPRETAR (10) QUE REFLECTE A PROFUNDIDADE ANESTÉSICA. ESTE PARÂMETRO É SUBMETIDO A UMA OPTIMIZAÇÃO CONTÍNUA DE ACORDO COM A ENTRADA DE INFORMAÇÃO DOS ANESTESIOLOGISTAS (9) EM RELAÇÃO AO ESTADO ANESTÉSICO ANIMAL, ESPÉCIE E PROTOCOLO ANESTÉSICO. A SOLUÇÃO DIVULGADA PERMITE UMA SINTONIZAÇÃO FINA QUE RESULTA NUM PARÂMETRO QUE SE CORRELACIONA COM O ESTADO ANESTÉSICO, QUE ESTÁ OPTIMIZADO PARA CADA ESPÉCIE E PROTOCOLO ANESTÉSICO, AUXILIANDO O ANESTESIOLOGISTA NO AJUSTE DAS DOSES DE FÁRMACOS E A CONTROLAR AUTOMATICAMENTE A ADMINISTRAÇÃO DA ANESTESIA.
Description
DESCRIÇÃO "MÉTODO E DISPOSITIVO PARA A AVALIAÇÃO DO ESTADO ANESTÉSICO DURANTE ANESTESIA OU SEDAÇÃO BASEADA NO ELECTROENCEFALOGRAMA"
Campo Técnico A presente invenção refere-se a um método e aparelho para monitorização da condição de um animal sob anestesia ou sedação, em particular, é usada informação adquirida a partir de diferentes fontes do animal.
Sumário A presente invenção descreve um método para a avaliação da condição de um paciente durante anestesia ou sedação compreendendo as etapas de: aquisição (1) de um sinal representativo da actividade EEG; derivação a partir de tal sinal, de um primeiro valor de parâmetro de análise linear (5); derivação a partir de tal sinal, de um sequndo valor de parâmetro de análise não-linear (6); derivação a partir de tal sinal, de um terceiro valor de parâmetro de qualificação de supressão (7); aplicação (8) de um indice matemático predeterminado de probabilidade de conforto animal, em cujo indice pelo menos os referidos parâmetros são variáveis; cálculo sucessivo de valores em alteração do referido indice de probabilidades; e indicação (10) dos referidos valores sucessivos de indice.
Numa forma de realização preferida, o referido índice matemático predeterminado de probabilidade de conforto animal é obtido através da combinação (8) dos referidos parâmetros (5, 6, 7) com ponderações recuperadas a partir de uma base de dados (11), estando pelo menos as referidas ponderações de acordo com a espécie animal e protocolo anestésico.
Numa forma de realização preferida, o referido índice matemático predeterminado de probabilidade de conforto animal é obtido através da combinação (8) de três sub-parâmetros, linear- L (5), não linear - NL (6) e de quantificação de supressão - SQ (7) através de [3*]7+(Ί00-a)*NL ]* (l-SQ/100), em que a é o factor de ponderação para L e NL, todas as variáveis estando numa base de 100.
Uma forma de realização preferida compreende ainda a etapa de pré-processamento (2) para a filtração, amplificação e conversão para digital do sinal que representa a actividade do EEG após a aquisição (1).
Uma forma de realização preferida compreende ainda a detecção prévia e remoção de artefactos através de uma nova gravação de um fragmento do EEG, antes do cálculo dos referidos parâmetros.
Uma forma de realização preferida compreende ainda o armazenamento periódico ou intermitente na base de dados (11) do EEG gravado (4) e entrada de informação do anestesiologista (9) da profundidade anestésica.
Uma forma de realização preferida compreende ainda a optimização offline, pelo menos de acordo com a espécie animal e protocolo anestésico, compreendendo as etapas de: cálculo na unidade de combinação (8) das combinações possíveis de fracções ponderadas dos parâmetros (5, 6, 7), armazenados na base de dados (10), extraídos de EEG (4) previamente gravados, conjuntamente com combinações para os factores usados na quantificação de supressão (7) ; cálculo do desempenho dessas combinações, na unidade de comparação (12) através da correlação da mesma com a entrada de informação do anestesiologista (9) em relação à profundidade anestésica do animal observada e anteriormente armazenada na base de dados (11); armazenamento na base de dados (11) dos factores de ponderação e quantificação de supressão (7) que produziram a combinação dos parâmetros que revelaram o melhor desempenho.
Numa forma de realização preferida, o cálculo: da correlação do desempenho das combinações com a entrada de informação do anestesiologista (9); dos factores que revelaram o melhor desempenho; é obtido pela previsão da probabilidade através de uma medição de associação, por uma rede neurológica artificial ou por um sistema de inferência de lógica difusa.
Uma forma de realização preferida, compreende ainda, para além da espécie animal e protocolo anestésico, o cálculo adicional do referido índice matemático predeterminado de probabilidade de conforto animal com as ponderações dos referidos parâmetros (5, 6, 7), de acordo com raça, sexo, peso e estado físico do animal ou procedimento cirúrgico.
Numa forma de realização preferida, a derivação do referido sinal de um primeiro valor de parâmetro de análise linear (5) , é obtida através de frequência espectral de limiar, pelo valor da frequência que se encontra abaixo de um valor predeterminado de potência espectral.
Numa forma de realização preferida, a derivação do referido sinal de um segundo valor de parâmetro de análise não linear (6), é obtida através de uma análise de padrão ordinal normalizado através de cálculo de entropia de permutação com a fórmula normalizada de incerteza de Shannon.
Numa forma de realização preferida por a derivação do referido sinal de um terceiro valor de parâmetro de quantificação de supressão (7) , é obtida através de uma relação de supressão de pacote de erros, calculada pela percentagem de períodos em que EEG é isoeléctrico, a sua amplitude encontrando-se dentro de limites predeterminados para um período mínimo predeterminado de tempo.
Uma forma de realização preferida compreende ainda as etapas de: verificação se não existem períodos de supressão para um período de tempo predeterminado; se for esse o caso, alertar ou pedir ao utilizador para confirmar manualmente a profundidade anestésica do paciente e dar entrada de tal informação; então, se se confirmar que o paciente se encontra em anestesia profunda, adaptar o limite de quantificação de supressão através da diminuição dos limites superior e inferior até que a supressão possa ser identificada e armazenar a informação de novo limite. A presente invenção também descreve um dispositivo para a avaliação de uma condição de um paciente durante anestesia ou sedação compreendendo: uma unidade de aquisição (1) para um sinal representativo da actividade EEG; uma unidade de análise linear (5) conectada à referida unidade de aquisição de sinal (1); uma unidade de análise não-linear (6) conectada à referida unidade de aquisição de sinal (1); uma unidade de análise de quantificação de supressão (7) conectada à referida unidade de aquisição de sinal (D ; unidade de combinação (8), conectada à saida das referidas unidades de análise (5, 6, 7); interface de saida (10) conectada à referida unidade de combinação (8).
Uma forma de realização preferida compreende ainda uma base de dados (11) que contém reqistos de ponderações dos referidos parâmetros (5, 6, 7), pelo menos de acordo com a espécie animal e protocolo anestésico.
Numa forma de realização preferida, a referida unidade de combinação (8) funciona através da combinação (8) dos três sub-parâmetros, linear- L (5), não linear - NL (6) e de quantificação de supressão - SQ (7) através de [a*L+(100- a)*NL ]* (l-SQ/100), em que a é o factor de ponderação para L e NL, numa base de 100.
Uma forma de realização preferida compreende ainda uma unidade de pré-processamento de sinal (2) para a filtração, amplificação e conversão para digital do sinal que representa a actividade EEG na saída da unidade de aquisição de sinal (1).
Uma forma de realização preferida compreende ainda uma unidade de detecção de artefactos (3) compreendendo uma subunidade (3.2), capaz de despoletar um novo registo de um fragmento de EEG, no caso de um artefacto se encontrar presente.
Uma forma de realização preferida compreende ainda: uma unidade de entrada de informação do anestesiologista (9) uma unidade de comparação (12) capaz de calcular o desempenho de combinações de fracções ponderadas para os parâmetros (5, 6, 7), armazenados na base de dados (11) através da correlação dos mesmo com a entrada de informação do anestesiologista (9) em relação à profundidade anestésica do animal observada e anteriormente armazenada na base de dados (11).
Numa forma de realização preferida, a unidade de base de dados (11) compreende ainda registos, para além da espécie animal e protocolo anestésico, o cálculo adicional dos referidos parâmetros de acordo com raça, sexo, peso e estado físico do animal ou procedimento cirúrgico
Numa forma de realização preferida, a unidade de análise linear (5) é uma calculadora de frequência espectral de limiar do valor de frequência que se encontra abaixo de um valor predeterminado de potência espectral; a unidade de análise não-linear (6) é uma calculadora de análise de padrão ordinal normalizado através de cálculo de entropia de permutação com a fórmula normalizada de incerteza de Shannon; a unidade de quantificação de supressão (7) é uma calculadora relação de supressão de pacote de erros, calculada pela percentaqem de periodos em que o EEG é isoeléctrico, a sua amplitude encontrando-se abaixo de limites predeterminados para um período mínimo predeterminado de tempo.
Uma forma de realização preferida compreende um sistema de processamento de dados compreendendo meios codificados adaptados a executar cada uma das etapas dos métodos mencionados em cima.
Uma forma de realização preferida compreende um programa de computador compreendendo meios codificados adaptados a executar as etapas de acordo com qualquer um dos métodos mencionados em cima, quando o referido proqrama é executado num sistema de processamento de dados.
Uma forma de realização compreende um proqrama de computador incorporado num meio leqível em computador.
Estado da Técnica A presente invenção refere-se ao campo da anestesia veterinária, em particular à monitorização intra-operativa e pós-operativa da profundidade anestésica de animais.
No presente, não existem medidas directas para a monitorização da profundidade anestésica em pacientes veterinários.
Os anestesiologistas veterinários ajustam a dosagem do fármaco anestésico através da avaliação de alterações nos sinais clínicos do paciente durante a anestesia, tais como a pressão arterial, ritmo cardíaco, dilatação das pupilas, sudação, lacrimação, movimento, etc.. No entanto, estes sinais não são indicadores fiáveis de profundidade anestésica, uma vez serem reflexo da natureza e não espelharem a depressão cortical causada pelos fármacos anestésicos. Para além disso, a avaliação destes sinais depende da perícia e experiência do veterinário, das espécies anestesiadas e do protocolo anestésico utilizado. A anestesia geral em animais representa portanto um problema sério devido a dificuldades de avaliação da profundidade anestésica. Esta incapacidade no conhecimento se o animal estará demasiado profundamente ou levemente anestesiado resulta num ajuste ineficaz do fármaco, o que leva a sobredosagem ou subdosagem, duas situações potencialmente perigosas e deletérias que podem resultar na morte ou doença, por um lado, ou consciência e sensação de dor durante a cirurgia, por outro.
Uma vez que o alvo da anestesia geral é o sistema nervoso central, o sinal eléctrico registado a partir do cérebro (electroencefalograma - EEG) foi usado como medida do efeito anestésico, reflectindo a profundidade anestésica em pacientes humanos. A interpretação do EEG em bruto não processado é muito complexa e morosa, o que leva ao desenvolvimento de vários parâmetros baseados no EEG que são extraídos do EEG e representados como números simples que variam numa escala desde 0 a 99 ou 100, indicando se o paciente está demasiado anestesiado (quando o valor o valor está abaixo de 40) ou demasiado superficial (quando o valor está acima de 60).
Entre esses parâmetros, o índice Biespectral descrito nos documentos U.S. Pat. N° 4.907.597, 5010.891, 5.320.109 e 5.458.117 é o mais amplamente conhecido. É empregue como ferramenta de rotina em salas de operação em todo o mundo. O resultado desta invenção é uma soma ponderada de diferentes parâmetros que são maioritariamente obtidos usando uma análise espectral ou de ordem maior e que se baseiam numa base de dados de centenas de EEGs registados a partir de pacientes humanos.
Existem muitos estudos que exploram o potencial do índice Biespectral para a monitorização da profundidade anestésica em animais, incluindo ratos, coelhos, gatos, cães, porcos, cavalos. A aplicação desta monitorização em animais não foi no geral bem-sucedida.
Outros parâmetros de profundidade anestésica com base no EEG existentes para pacientes humanos, como monitorizações comercializadas, incluem o índice de Estado Cerebral, baseado numa combinação de sub-parâmetros extraídos do EEG e combinados por lógica difusa, comercializadas pela Danmeter . Esta monitorização foi testada em cães mas a sua capacidade para detectar os efeitos da anestesia geral não foi satisfatória. Há outros parâmetros, tais como a Entropia Espectral, descrita no documento U.S. n° 6.801.803 e comercializada pela GE Healthcare e o índice de Consciência, comercializado pela Aircraft Medicai Barcelona , os quais se baseiam em métodos matemáticos diferentes do índice Biespectral e índice do Estado Cerebral. No entanto, todos os métodos se baseiam no registo do electroencefalograma espontâneo no paciente anestesiado, e na sua transformação num número simples e objectivo que varia entre 0 e 100.
Em animais, a existência de uma larga gama de espécies e variabilidade entre indivíduos da mesma espécie dificulta o desenvolvimento de um parâmetro único fixo para tal uso diversificado. No entanto, é urgente a existência de uma ferramenta para monitorização de profundidade anestésica animal para veterinários. A existência desta ferramenta é crucial para diminuir a taxa de mortalidade devido a anestesia em animais, a qual continua a ser demasiado elevada, atingindo 2 em cães e gatos e 8 em cavalos, enquanto que nos humanos se encontra em 0,01 . A falha geral encontrada em parâmetros humanos com base no EEG para monitorização da anestesia em animais pode ser explicada parcialmente pela sua calibração às características dos EEG humanos. O facto de o desenvolvimento do índice Biespectral também se ter baseado na análise de uma base de dados EEG em humanos, pode explicar a falha de precisão deste equipamento quando usado em animais.
No entanto, a incapacidade dos métodos para detectar os efeitos anestésicos em animais, o EEG pode ser superado através do uso de um parâmetro robusto que tenha pouca sensibilidade a artefactos externos, tais como o movimento ou a actividade eléctrica da actividade electromiográfica dos músculos. Isto é especialmente importante ao aplicar o método numa gama alargada de diferentes anatomias da cabeça, com diferentes espessuras das camadas musculares da cabeça.
Neste contexto, o uso de técnicas de análise não-lineares, com base em análises de padrão ordenados, mostrou resultados promissores para a análise de EEG de animais. A entropia de permutação começou a ser recentemente aplicada na análise de EEG. Trata-se de um parâmetro de análise de padrão ordinal que pode revelar as caracteristicas não-lineares do EEG e que tem uma robustez elevada a artefactos, o que é uma caracteristica essencial para a sua aplicação prática. A análise espectral energética do EEG é o modo tradicional e mais simples de extrair esta informação. Revela alterações na frequência causadas pela anestesia, as quais são lineares e bem conhecidas em animais, fornecendo portanto uma resposta à anestesia muito simples de interpretar.
Em planos anestésicos superficiais, o electroencefalograma mostra uma mudança caracteristica para ondas de alta amplitude alta e de baixa frequência, o que aumenta com o aumento da dosagem e é reflectido numa diminuição nos parâmetros de potência espectral e entropia de permutação extraídos do EEG. No entanto, quando a anestesia é mais profunda, aparece um padrão específico de EEG - o padrão de supressão de pacote de erros. Isto é caracterizado por tempos de alta frequência e alta amplitude alternados com períodos de silêncio do EEG. Os componentes de alta frequência provocam um aumento paradoxal nos parâmetros de potência espectral e entropia de permutação, fazendo com que eles sejam ineficazes na reflexão da profundidade anestésica durante uma anestesia profunda.
Divulgação da Invenção 0 objecto da presente invenção é, nomeadamente, a utilização de três parâmetros combinados os quais são capazes de detectar diferentes características do EEG durante a anestesia (um parâmetro para análise não-linear, um parâmetro para análise de potência espectral e um parâmetro para quantificação dos períodos de supressão EEG) e que exprime o sinal EEG num parâmetro de compreensão simples. Este método é submetido a uma formação contínua que permite um aumento do desempenho do dispositivo para as espécies de anestesia mais comuns e protocolos anestésicos mais utilizados.
Este método poderia ser incorporado em dispositivos que registam o EEG do animal e que são usados para auxiliar o veterinário na monitorização da profundidade anestésica de espécies diferentes, tanto durante os procedimentos cirúrgicos, como na unidade de cuidados intensivos, onde os pacientes são normalmente mantidos em sedação, sob ventilação mecânica, durante longos períodos. A utilização desta ferramenta nestas situações irá ajudar os executantes no ajuste de fármacos sedativos e anestésicos de modo mais preciso, assim evitando efeitos secundários e consequências deletérias de sobredosagem e subdosagem. Este método também pode ser usado para diagnóstico de neurofisiologia, uma vez mostrar o EEG que fornece os meios para monitorizar casos de epilepsia, isquemia cerebral e para ajudar no diagnóstico de morte cerebral. É importante enfatizar que todas as fases são executadas de modo não invasivo no corpo e a invenção não define nem o diagnóstico, nem o cenário clínico da patologia. A presente invenção fornece um dispositivo e método para a monitorização da profundidade anestésica em animais, com base no EEG espontâneo registado a partir da cabeça do animal.
Mais especificamente, a invenção fornece um dispositivo e método que recebe o EEG animal, mostra a forma de onda do EEG não processada e transforma-a num parâmetro que pode ser usado pelo anestesiologista para ceder à profundidade anestésica do animal e ajustar a dosagem anestésica, compreendendo: 1. uma unidade de aquisição de sinal (1) na qual o EEG é gravado a partir da cabeça do animal. 2. uma unidade de pré-processamento de sinal (2) na qual o sinal do EEG é filtrado, amplificado e convertido em informação digital. 3. Uma unidade de detecção de artefactos: Os artefactos são então identificados e os fragmentos do EEG com artefactos são removidos da análise (3). 4. uma unidade processamento de sinal (4-12) : 0 EEG pré- processado e livre de artefactos (4) é submetido a transformação em três sub-parâmetros: Parâmetro linear (L) , parâmetro não-linear (NL) e quantificação de supressão (SQ) (5, 6, 7), os quais estão combinados em uma unidade de combinação (8), previamente formada para produzir o parâmetro final que melhor reflecte a profundidade anestésica daquela espécie animal e protocolo anestésico que é apresentado na interface do anestesioloqista (10). 5. é executada formação na unidade de formação (12) e é obtida através de: 5.1. A formação inicial usando uma base de dados inicial (11) com o EEG (4) qravado a partir de várias espécies e protocolos anestésicos e a entrada de informação do anestesiologista (9). 5.2. Formação contínua usando o EEG (4) e a entrada de informação do anestesiologista (9), de preferência gravada em cada utilização do dispositivo em práticas veterinárias, que são continuamente armazenadas na base de dados actualizada (11). 6. A unidade de entrada de informação do anestesiologista (9) inclui de preferência: 6.1. A entrada de informação do anestesiologista em relação à espécie animal, raça, peso, sexo, estado físico geral, procedimento cirúrgico e protocolo anestésico a usar. A espécie animal e protocolo anestésico são, em particular usados para organizar dados gravados na base de dados. 6.2. a entrada intermitente, durante todo o procedimento anestésico, em relação à profundidade anestésica observada pelo anestesiologista ao longo das observações dos sinais clínicos durante o tempo real do método. Esta entrada é incorporada no método, de preferência na forma de uma escala numérica usada na formação. 7. 0 parâmetro final é então calculado como se segue, por combinação dos três sub-parâmetros (5, 6, 7) extraídos do EEG (4) de acordo com a função: [a*L+(100-a)*NL]*(l-SQ(t,v, -v)) na qual a é o factor de ponderação para L e NL e varia entre 0 e 100; t é o tempo mínimo para considerar o EEG como suprimido (para a quantificação SQ) e v e -v são os limites de tensão entre os quais o EEG é considerado como suprimido (para a quantificação SQ).
Na fase de formação, o cálculo do parâmetro final é executado de maneiras diferentes através da alteração dos factores de combinação a, t, e v e -v, o que leva à geração de múltiplos parâmetros finais. Estes múltiplos parâmetros finais são então comparados em termos da sua capacidade de reflexão da entrada de informação do anestesiologista (9) armazenada na base de dados. Isto pode ser executado usando, por exemplo, um método de comparação de probabilidade de previsão, aplicado a todos os dados contidos na base de dados, em que uma análise offline é executada a qual determina o parâmetro final que melhor se adequa, por correlação dos valores de cada parâmetro final diferente com a escala clinica correspondente de anestesias armazenada. A capacidade de os parâmetros finais detectarem alterações na escala clinica de anestesias é calculada pela aplicação de medida de probabilidade de previsão que é uma medida de correlação que foi especificamente desenvolvida para estudar o desempenho da profundidade de indices de anestesia. O Pk varia de 0 a 1. Um valor de Pk = 0,5 significa que o indicador prevê correctamente as profundidades anestésicas apenas em 50 das vezes, isto é, nunca melhor do que uma hipótese de 50:50. Um valor de Pk = 1 significa que o indicador prevê correctamente as profundidades anestésicas 100 das vezes.
Um sistema de rede neurológica artificial ou um sistema de inferência por lógica difusa pode ser preferivelmente usado para a fase de formação, executada na unidade de formação (12) após a aquisição dos dados originais e aumentar a previsibilidade. 8. À medida que a base de dados aumenta, novos elementos são incluídos no conjunto de formação, nomeadamente novos dados do EEG (4) e entrada de informação do anestesiologista (9), resultando numa sintonização fina do parâmetro final ao longo da utilização. 9. Uma utilização aumentada da invenção e aquisição de dados permite que o método seja mais específico, considerando outras variáveis de entrada registadas pelo anestesiologista, como a raça, sexo, peso e estado físico do animal ou procedimento cirúrgico. Assim, o parâmetro final pode facilmente ser adaptado a diferentes situações clínicas. A invenção inclui um sistema para análise remota dos dados registados e supervisão da formação executada de um modo em que apenas os dados válidos sejam mantidos na base de dados e usados para formação. As actualizações são então enviadas a cada dispositivo em utilização nos consultórios veterinários.
Segue-se um exemplo de valores de correlação obtidos entre a profundidade anestésica avaliada usando a escala numérica da anestesia, neste caso de 1 (consciente) e 5 (anestesia profunda) e: Cada um dos sub-parâmetros (linear - L, não-linear - NL e quantificação de supressão - SQ) e o parâmetro final calculado por combinação dos três sub-parâmetros em seis coelhos. Enquanto que os sub-parâmetros linear e não-linear não mostram qualquer correlação significativa com a escala anestésica clinicamente observada, a sua combinação num parâmetro final mostra uma correlação coeficiente (r Pearson) de - 0,90. Através da combinação de diferentes sub-parâmetros derivados do EEG, é assim possível obter um parâmetro que diminui com o aumento das doses de anestesia, reflectindo o aprofundamento na anestesia, desse modo atingindo um dos principais objectivos da presente invenção.
Descrição das Figuras
Figura 1. Exemplo de fragmentos de electroencefalograma (EEG) registado em coelhos anestesiados com propofol. Todos os fragmentos foram registados a uma taxa de amostragem de 256 amostras/segundo e são mostrados 8 segundos de registo. A - EEG registado em coelho consciente; B - EEG registado em coelho sob anestesia superficial com concentração de propofol no plasma de 13 yg/ml; C - EEG registado num coelho sob anestesia profunda com uma concentração de propofol no plasma de 30 yg/ml.
Figura 2. Análise de potência espectral de fragmentos do EEG mostrados na Figura 1. Foi usada a transformação Fast-fourier para computar o espectro de potência. A Representação da potência espectral do EEG registado em coelho consciente; B - Representação da potência espectral do EEG registado em coelho sob anestesia superficial com concentração de propofol no plasma de 13 pg/ml; C Representação da potência espectral do EEG registado num coelho sob anestesia profunda com uma concentração de propofol no plasma de 30 yg/ml. A linha a tracejado representa a frequência espectral limiar de 95 obtida a partir de cada fragmento do EEG.
Figura 3. Método de derivação do componente não linear baseado na entropia de permutação. A - Exemplo da fragmentação do EEG em motivos. É mostrado um pequeno fragmento do EEG (com 0,07 segundos de duração) . Está separado em motivos (vectores de três pontos de dados). Cada motivo está sublinhado com uma linha ponteada cinzenta. Bl a B6 - O método identifica ainda cada motivo como pertencendo a um de seis tipos possíveis (vectores em quadrados: Bl a B6) de acordo com as suas formas.
Cl a C6 - conta o número de motivos a partir do EEG real que pertencem a cada uma das seis categorias, para obter a probabilidade de ocorrência de cada motivo no sinal. D - O método calcula finalmente a entropia de permutação da probabilidade normalizada resultante de distribuição dos motivos, usando a entropia normalizada de Shannon, resultando num valor final individual para um fragmento determinado de EEG.
Figura 4. Padrão de supressão de ruptura durante a anestesia com propofol num coelho. São mostrados oito segundos de EEG em 256 amostras / segundo. As elevadas ondas de amplitude ("ruptura") são alternadas com períodos de baixa amplitude e baixa frequência ("supressão").
Figura 5. Exemplo da aplicação do método da quantificação de supressão em três fragmentos de EEG. A - registado num coelho consciente - não é encontrada supressão. B registado num coelho sob anestesia superficial - não é encontrada supressão; C - registado num coelho sob anestesia profunda - é encontrado um período de supressão entre cerca de 0-1 e 3-4 segundos de gravação. Entre 5-6 segundos, um período de EEG mostra o padrão de supressão de ruptura, não sendo no entanto quantificado porque a unidade de tempo não foi atingida.
Figura 6. Arquitectura do dispositivo para pré- processamento do EEG. 1- Unidade de aquisição de sinal 2- Unidade de pré-processamento de sinal 3.1- Unidade que, no caso de não existirem artefactos nas saídas de sinal, envia o referido EEG isento de artefactos. 3.2 - Unidade que, no caso de detecção de artefactos de sinal, produz uma mensagem de retorno mostrando um sinal de aquisição de dados incorrectos, que indica um novo registo de fragmento de EEG antes do reenvio para a Unidade de Processamento.
4 - Unidade de pré-processamento de armazenamento de EEG isentos de artefactos.
Figura 7. Arquitectura do dispositivo para a sua utilização em tempo real durante a anestesia. 4 - Unidade de pré-processamento de armazenamento de EEG isentos de artefactos. 5 - Unidade de análise linear (L) 6 - Unidade de análise não-linear (NL) 7 - Unidade de quantificação de supressão (SQ) 8 - Unidade de combinação para 5, 6 e 7. 9- Unidade de entrada de informação do anestesiologista. Compreende informação inicial sobre a espécie animal, peso, sexo, estado físico e protocolo anestésico usado, bem como entrada de informação intermitente na forma de uma escala, por exemplo, de 1 a 5, relativamente à profundidade anestésica clínica, conforme avaliada pelo anestesiologista. Na utilização em tempo real do dispositivo, esta entrada de informação é importante para determinar a função de combinação usada para produzir o parâmetro final, pois este pode ser diferente entre espécies e protocolos anestésicos. 10 - Interface final de saída mostrada ao anestesiologista.
Figura 8. Arquitectura do dispositivo para a fase de formação. 4 - Unidade de pré-processamento de armazenamento de EEG isentos de artefactos. 5 - Unidade de análise linear (L) 6 - Unidade de análise não-linear (NL) 7 - Unidade de quantificação de supressão (SQ) 9- Unidade de entrada de informação do anestesiologista. Compreende informação inicial sobre a espécie animal, peso, sexo, estado físico e protocolo anestésico usado, bem como entrada de informação intermitente na forma de uma escala, por exemplo, de 1 a 5, relativamente à profundidade anestésica clinica, conforma avaliada pelo anestesiologista. 11 - Unidade de base de dados que armazena o EEG (4) e entrada de informação do anestesiologista (9) registada em cada anestesia. 12 - Unidade de formação que incorpora a base de dados (11) e forma o dispositivo a calcular e combinar os sub-parâmetros (5,6 e 7) em proporções que melhor reflectem a entrada de informação do anestesiologista (9) para uma espécie especifica e protocolo anestésico. A formação pode ser executada usando um método de comparação de probabilidade de previsão, rede neurológica artificial ou por um sistema de inferência de lógica difusa.
Descrição detalhada e formas de realização preferidas A presente invenção fornece um método para a monitorização da profundidade anestésica em animais, com base no EEG espontâneo registado a partir da cabeça do animal.
Mais especificamente, a invenção fornece um método que recebe o EEG animal e a entrada de informação do anestesiologista em relação ao animal e as caracteristicas do protocolo anestésico e executa a optimização de um parâmetro de derivação do EEG que pode ser ainda adicionalmente usado para aceder à profundidade anestésica do animal e ajustar a dosagem anestésica. 0 dispositivo e método compreendem de preferência: 1-Unidade de aquisição de sinal (1) a. 0 EEG é registado a partir da cabeça do animal, usando eléctrodos de superfície com uma frequência de amostragem de nomeadamente 1024 Hz (1024 pontos por segundo). 2- Unidade de pré-processamento de sinal (2) a. O EEG é opcionalmente primeiramente amplificado com, nomeadamente um ganho de xlOOO. (2) b. São opcionalmente aplicados um filtro passa-baixo (nomeadamente 0,1-300 Hz) e um filtro de entalhe (nomeadamente 50 Hz) (2) c. O sinal é convertido em digital por um conversor analógico-para-digital (2) i. Converte a amplitude do potencial registado em cada ponto de tempo para o número que está armazenado. 3- Unidade de detecção de artefactos: o sinal é enviado para a unidade de microprocessador que analisa possíveis artefactos. (3). Se o fragmento do EEG analisado tiver artefactos significativos, o sistema envia uma mensagem para o anestesiologista na forma de um alarme, para que ele reajuste os eléctrodos na cabeça do paciente até que um fragmento com suficiente qualidade possa ser registado (3.1). Se não forem detectados quaisquer artefactos (3.2), o fragmento é enviado para a unidade de processamento (4). 4- Unidade de processamento de sinal (4-12) :
Recebe o EEG pré-processado e livre de artefactos (4) e executa uma análise em tempo real que transforma o EEG num parâmetro, enquanto o animal se encontra sob anestesia.
Isto é realizado através da extracção de três sub-parâmetros (linear L (5), não linear - NL (6) e de quantificação de supressão - SQ (7)) do EEG e combinação dos mesmos com fracções ponderadas para produzir um parâmetro final na unidade de combinação (8) . As fracções ponderadas de L e NL são fornecidas pela base de dados formada (11), a qual se encontra sob formação continua na unidade de formação (12).
Três amostras de EEG são mostradas na figura 1 para o estado consciente (1-A), para a anestesia superficial (1-B) e para a anestesia profunda (1- C).
Cada um destes sub-métodos é capaz de processar e detectar caracteristicas diferentes de sinais durante a anestesia e são extraídos como se segue;
Análise linear - L (5) A análise linear executada pelo método baseia-se no parâmetro da frequência espectral limiar (SEF) a 95 . Este parâmetro é adquirido depois da análise espectral de potência do sinal pela transformação de Fast Fourier (FFT). A FFT é uma função expressa em termos de funções de base sinusoidal, permitindo a análise dos componentes de frequência do EEG. A aplicação da transformação Fourier resulta numa potência espectral do EEG na qual é calculada a potência das bandas de frequência compreendendo o sinal. 0 parâmetro da SEF é calculado com base neste espectro de potência, consistindo na frequência em baixo, que se encontra em 95 da potência espectral. Outros valores são possíveis, nomeadamente 70 ,90 ou 99 . A Figura 2 mostra a análise espectral de potência dos fragmentos do EEG mostrados anteriormente na Figura 1. A Figura 2-A mostra o espectro de potência do fragmento do EEG registado num coelho consciente (mostrado na Figura 1-A); a Figura 2-B mostra o espectro de potência do fragmento do EEG registado num coelho sob anestesia superficial com concentração de propofol anestésico no plasma de 13 yg/ml, conforme mostrado na figura 1-B. A Figura 2-C mostra o espectro de potência do fragmento do EEG apresentado na Figura 1-C, que foi registado num coelho sob anestesia profunda com uma concentração de propofol no plasma de 30 yg/ml. A SEF do espectro de potência é mostrado para cada profundidade anestésica referida. É um parâmetro normalmente utilizado para caracterizar o EEG durante a anestesia e tem a grande vantagem de ser muito rápido e simples de calcular.
Análise não-linear - NL (6)
Apesar de o sinal do electroencefalograma mostrar alterações características durante a anestesia em termos dos componentes de frequência que podem ser detectados pelo parâmetro de análise linear, este tipo de sinal também tem um comportamento não-linear, que exige a aplicação de métodos capazes de detectar tais alterações para evitar perder informação importante a partir do EEG. A análise não-linear executada incluída neste método baseia-se no método de análise de padrão ordinal: entropia de permutação que é calculada de acordo com as seguintes etapas: 1- Fragmenta o sinal contínuo do EEG numa sequência de motivos com comprimento = 3. A Figura 3-A mostra um exemplo desta fragmentação executada num pequeno fragmento do EEG (com duração de 0,07 segundos) . Tal como mostrado, este fragmento está separado em motivos (vectores de três pontos de dados). Cada motivo está sublinhado com uma linha ponteada cinzenta. 2 - Identifica cada motivo como pertencendo a um de seis tipos possíveis (Figura 3 - de Bl a B6) de acordo com a sua forma. 3 - Conta o número de motivos a partir do EEG real de cada um que pertence a cada uma das seis categorias, para obter a probabilidade de ocorrência de cada motivo no sinal (Figura 3 - de Cl a C6). 4 - Calcula a entropia de permutação da probabilidade normalizada resultante de distribuição dos motivos, usando a fórmula de incerteza normalizada de Shannon, (Figura 3 -D) :
Para os exemplos ilustrados na Figura 1, os resultados finais para esta análise não-linear para o EEG registado no estado consciente, anestesia superficial e anestesia profunda, foram para 1-A (consciente) 0,76, para 1-B (superficial) 0,64 e para 1-C (profunda) 0,69.
Análise da quantificação de supressão - SQ (7)
Em planos anestésicos superficiais, o electroencefalograma mostra uma mudança característica para ondas de alta amplitude alta e de baixa frequência, o que aumenta com o aumento da dosagem e é reflectido numa diminuição nos parâmetros de potência espectral e entropia de permutação extraídos do EEG. No entanto, quando a anestesia é mais profunda, aparece um padrão específico de EEG - o padrão de supressão de ruptura. A figura 4 mostra o padrão de supressão de ruptura no fragmento do EEG de 8 segundos.
Isto é caracterizado por tempos de alta frequência e alta amplitude alternados com períodos de silêncio do EEG. Os componentes de alta frequência provocam um aumento paradoxal nos parâmetros de potência espectral e entropia de permutação, fazendo com que eles sejam ineficazes na reflexão da profundidade anestésica durante uma anestesia profunda. Isto é mostrado nas Figuras 2 (de B a C) e no resultado do cálculo de parâmetro não linear da figura 3-B (visto o valor aumentar de superficial (resultado final = 0,64) para profundo (resultado final = 0,69)).
Para o reconhecimento destes padrões no EEG de animais, propõem-se incluir um componente no método que detecte fragmentos de baixa amplitude de sinal. A presente invenção inclui um componente para a quantificação de supressão baseado na relação de supressão de ruptura clássica definida para pacientes humanos.
Este parâmetro é igual à percentagem de períodos em que o EEG é isoeléctrico.
Isto é expresso numa percentagem que é adicionalmente incorporada na combinação com os outros sub-parâmetros por multiplicação de (l-SQ/100). Dois factores são importantes ao determinar a SQ: os limites de tensão em que o EEG é considerado isoeléctrico (v e -v) e o tempo mínimo durante o qual o EEG é isoeléctrico para considerá-lo como suprimido (t). 0 EEG é normalmente considerado como sendo isoeléctrico quando a sua amplitude se encontra entre -5 e 5 microvolts para um tempo mínimo de 400 milissegundos. No entanto, este valor pode ser alterado através das condições de registo, tais como as técnicas de colocação de eléctrodos, as condições de registo e anatomia da cabeça do animal. Isto pode ser adaptado sem prejuízo para a presente invenção, conforme o perito na técnica assim o considerar, ou a evolução do campo e características específicas do animal e protocolos de anestesia assim o exigirem. Esta adaptação faz parte da formação executada na unidade de formação (12) .
Tal como mostrado na Figura 5, durante o estado consciente (5-A), e anestesia superficial (5-B), não é observada qualquer supressão. Durante a anestesia profunda (5-C), os limites de amplitude podem detectar a supressão.
Este método também inclui um sistema para confirmação manual da supressão. A inclusão deste componente foi motivada pelo facto de nos humanos existirem alguns relatórios de falha nos monitores comerciais em termos da detecção de silêncios do electroencefalograma, o que resulta numa conclusão errada do anestesiologista, aumentando a dose de anestesia no paciente. Esta situação é muito perigosa, pois pode resultar numa sobredosagem e deve ser evitada. Na presente invenção, dependendo do protocolo de anestesia utilizado e da espécie animal anestesiada, uma alarme será apresentado, quando houver aumentos nos parâmetros linear e não-linear, mas o método ou dispositivo não é capaz de encontrar períodos de supressão. O equipamento emite um alarme e mostra uma mensagem na interface do utilizador para que o anestesiologista confirme manualmente a profundidade anestésica do paciente e insira informação no dispositivo. Podem ser encontradas duas situações possiveis: 1- A profundidade anestésica não é suficiente e o paciente precisa de mais anestesia. 2- A profundidade anestésica é considerada profunda mas a amplitude do sinal é diferente do usual, evitando que a função a quantificação de supressão funcione adequadamente.
Se o paciente se encontrar em anestesia profunda, o método ou dispositivo adapta o limite de quantificação de supressão deslizando os limites superior e inferior até que a supressão possa ser identificada e armazena essa informação dos limites. Esta adaptação é acompanhada pela entrada de informação do anestesiologista (9) para confirmar a possibilidade de ocorrência de padrões BS a essa profundidade anestésica. Esta informação é então considerada na unidade de formação (12) para melhorar utilizações subsequentes da invenção.
Unidade de combinação (8)
Os três sub-parâmetros L (5), NL (6) e SQ (7) são então combinados pela unidade de combinação de acordo com a função:
Parâmetro Final = [a*L+(100-a)*NL]*(1-SQ(t,v, -v))/100;
Em que a é o factor de ponderação para L e NL, que varia de 0 a 100 e t e v são respectivamente o tempo e limites de tensão para a classificação do EEG como suprimido.
Os valores para a, teve -v são dados inicialmente por uma base de dados inicial e através do uso, eles são regularmente actualizados após a formação com a base de dados em crescimento. Eles podem ser adaptados a diferentes espécies e protocolos anestésicos, para produzir o parâmetro final que melhor reflecte a profundidade anestésica em condições diferentes.
Unidade de formação (12) A formação é obtida através de:
Formação inicial usando uma base de dados inicial (11) com o EEG (4) gravado de preferência a partir de várias espécies e protocolos anestésicos e da entrada de informação do anestesiologista (9). 0 método tem uma base de dados inicial formada incorporada que determina os valores iniciais para a, t, v e -v, dependendo das espécies anestesiadas a do protocolo anestésico em utilização.
Formação contínua usando o EEG (4) e a entrada de informação do anestesiologista (9), de preferência gravada em cada utilização do dispositivo em práticas veterinárias. A entrada de informação do anestesiologista (9) inclui de preferência: A entrada inicial de informação do anestesiologista em relação à espécie animal, raça, peso, sexo, estado físico geral, procedimento cirúrgico e protocolo anestésico a usar. A espécie animal e protocolo anestésico são, em particular, usados para organizar dados gravados na base de dados. a entrada intermitente, durante todo o procedimento anestésico, em relação à profundidade anestésica observada pelo anestesiologista ao longo das observações dos sinais clínicos durante o tempo real do método. Esta entrada é incorporada na base de dados, por exemplo, na forma de uma escala numérica de 1 (consciente) e 5 (anestesia profunda) e é usada na formação.
Os três sub-parâmetros (5, 6, 7) extraídos do EEG (4) são combinados de acordo com a função mencionada em cima. A formação consiste na adaptação do cálculo do parâmetro final através da alteração dos factores de combinação a, t, e v, o que leva à geração de múltiplos parâmetros finais e comparação da sua capacidade de reflexão da profundidade clínica da anestesia. 0 parâmetro final que mostra a melhor capacidade de reflexão da profundidade anestésica pode então ser seleccionado e os valores atribuídos a a, t e v podem ser usados na utilização subsequente do dispositivo. Para estudar e comparar o desempenho dos múltiplos parâmetros finais obtidos, pode ser usado um método de análise de probabilidade de previsão. A probabilidade de previsão (Pk) tem sido usada na anestesia como método estatístico para avaliar a capacidade de um parâmetro discernir entre níveis diferentes de anestesias. 0 objectivo da análise Pk baseia-se em quantificar a associação entre o nível anestésico (clinicamente) observado e os valores dos parâmetros; neste caso, de diferentes versões de um parâmetro baseado em diferentes ponderações de sub-parâmetros L e NL. Este é um tipo de correlação não-paramétrica conhecida como medição de associação que é adequada a variáveis ordinais e que pode acomodar escalas variáveis de qrau bruto ou preciso.
Pk é a variante da medição de associação de Kim dy *symbol* x. A medição de Kim dy *symbol* x é definida para variáveis ordinais x e y, em termos do tipo de pares de dados de pontos de dados recentemente descritos. Sendo Pc, Pd, e Ptx as probabilidades respectivas de que dois pontos de dados extraídos aleatoriamente, independentemente e com carácter de substituição, a partir da população, são uma concordância, uma discordância, ou uma ligação exclusiva de x. A única outra possibilidade assenta no facto de os dois pontos de dados estarem ligados na profundidade observada y; deste modo, a soma de Pc, Pen e Ptx é a probabilidade que os dois pontos de dados têm valor distinto de profundidade anestésica observada, ou seja, que não estão ligados a y. A Pk pode, portanto, ser representada por:
A gama de Pk encontra-se entre 0 a 1. Quando as probabilidades de discordância e indicador de ligação exclusiva forem ambos zero, Pk = 1. Quando a probabilidade de discordância for igual à da concordância, Pk = 0,5. Um valor de Pk igual ou inferior a 0,5, significa que as discordâncias são mais prováveis que as discordâncias.
Especificamente, perante dois pontos de dados aleatoriamente seleccionados com profundidades anestésicas observadas distintas, a Pk é a probabilidade que os valores indicadores dos pontos de dados prevêem correctamente qual dos pontos de dados é o mais leve (ou profundo) . Um valor de Pk = 0,5 significa que o indicador prevê correctamente as profundidades anestésicas apenas em 50 das vezes, isto é, nunca melhor do que uma hipótese de 50:50. Um valor de Pk = 1 significa que o indicador prevê correctamente as profundidades anestésicas 100 das vezes.
Em alternativa, um sistema de rede neurológica artificial ou um sistema de inferência por lógica difusa podem ser preferivelmente usados para esta fase de formação, executada na unidade de formação (12). 10. À medida que a base de dados aumenta, novos elementos são incluídos no conjunto de formação, nomeadamente novos dados do EEG (4) e entrada de informação do anestesiologista (9), resultando numa sintonização fina do parâmetro final ao longo da utilização. 11. Uma utilização aumentada da invenção e aquisição de dados permite que o método seja mais específico, considerando outras variáveis de entrada registadas pelo anestesiologista, como a raça, sexo, peso e estado físico do animal ou procedimento cirúrgico. Assim, o parâmetro final pode facilmente ser adaptado a diferentes situações. A invenção inclui um sistema para análise remota dos dados registados e supervisão da formação executada de um modo em que apenas os dados válidos são mantidos na base de dados. As actualizações podem então ser enviadas a cada dispositivo em utilização através de software regular actuali zado. A título de exemplo, se um cão for anestesiado com o fármaco propofol, o método pode utilizar a combinação dos parâmetros L e NL anteriormente optimizados através da formação com dados registados em cães, sob anestesia de propofol e tempo (t) e limites de tensão (v, -v) para o cálculo SQ anteriormente usado em cães sob anestesia de propofol para derivar o parâmetro final. Durante a anestesia do animal, a entrada de informação do anestesiologista é armazenada na base de dados para ser usada na restante formação para esta espécie e a anestesia resultante da sintonização fina destes valores para aplicações posteriores.
As inovações do presente método são nomeadamente: 1- É o primeiro método para processamento de EEG animal durante anestesia. 2- Aplica os três sub-parâmetros e combina-os em parâmetros em tempo real individuais e simples de compreender. 3- A informação mostrada pode permitir ao anestesiologista ajustar a administração de fármacos. 4- Os parâmetros extraídos e mostrados podem ser continuamente optimizados em termos de espécie e protocolo de anestesia. 5- Consequentemente, pode ser usado numa ampla variedade de espécies, primeiramente para a optimização do método, e depois como ferramenta de monitorização da profundidade anestésica em animais. 6- Armazena dados importantes relativos ao procedimento anestésico de um modo automático que não é possível na actual anestesia veterinária onde o registo de dados da anestesia é manualmente executado. 7- Pode também ser optimizado para caracteristicas mais especificas dos animais tais como o sexo, raça, condição física e procedimentos cirúrgicos.
Ao mostrar o EEG em bruto, pode inclusivamente ser usado no auxílio da neurofisiologia no diagnóstico da epilepsia e morte cerebral.
As reivindicações que se seguem estabelecem formas de realização particulares da invenção.
Lisboa, 3 de Outubro de 2014.
Claims (4)
- REIVINDICAÇÕES1. Dispositivo para a avaliação de uma condição de um paciente veterinário durante anestesia ou sedação, caracterizado por compreender: - uma unidade de aquisição (1) para um sinal representativo da actividade EEG; - uma unidade de análise linear (5) conectada à referida unidade de aquisição de sinal (1); - uma unidade de análise não-linear (6) conectada à referida unidade de aquisição de sinal (1); - uma unidade de análise de quantificação de supressão (7) conectada à referida unidade de aquisição de sinal (1); - unidade de combinação (8) conectada à saida das referidas unidades de análise (5, 6, 7) confiqurada para calcular um indice matemático predeterminado de probabilidade de conforto animal, com base na combinação (8) dos três sub-parâmetros, linear- L (5), não linear - NL (6) e de quantificação de supressão -SQ (7) através de [a*L+(Ί0 0-aj *NL ] * (1-SQ (t, v,-v) ) , em que a é um factor de ponderação para L e NL e varia entre 0 e 100, t é um tempo mínimo para considerar o EEG como suprimido e v e -v são os limites de tensão entre os quais o EEG é considerado como suprimido; - uma base de dados (11) que contém reqistos de factores de combinação a, t e v, pelo menos de acordo com a espécie animal e protocolo anestésico, e uma liqação a um sistema para análise remota dos dados reqistados e supervisão da formação executada; - uma unidade de entrada de informação do anestesiologista (9); e - uma unidade de comparação (12) capaz de calcular o desempenho de combinações de factores de combinação a, t e v, armazenados na base de dados (11) através da correlação dos mesmo com a entrada de informação do anestesiologista (9) em relação à profundidade anestésica do animal observada e anteriormente armazenada na base de dados (11), em que: a unidade de análise linear (5) é uma calculadora de frequência espectral limiar do valor de frequência que se encontra abaixo de um valor predeterminado de potência espectral; a unidade de análise não-linear (6) é uma calculadora de análise de padrão ordinal normalizado através de cálculo de entropia de permutação com a fórmula normalizada de incerteza de Shannon; a unidade de quantificação de supressão (7) é uma calculadora relação de supressão de pacote de erros, calculada pela percentagem de períodos em que EEG é isoeléctrico, a sua amplitude encontrando-se abaixo de limites predeterminados para um período mínimo predeterminado de tempo.
- 2. Dispositivo de acordo com a reivindicação anterior, caracterizado por adicionalmente compreender uma unidade de pré-processamento de sinal (2) para filtração, amplificação e conversão para digital do sinal que representa a actividade EEG na saída da unidade de aquisição de sinal (1).
- 3. Um dispositivo de acordo com qualquer uma das reivindicações anteriores, caracterizado por adicionalmente compreender uma unidade de detecção de artefactos (3) compreendendo uma subunidade (3.2), capaz de despoletar um novo reqisto de um fraqmento de EEG, no caso de um artefacto se encontrar presente.
- 4. Dispositivo de acordo com qualquer uma das reivindicações anteriores, caracterizado por a unidade de base de dados (11) compreender ainda reqistos, para além da espécie animal e protocolo anestésico, o cálculo adicional dos referidos parâmetros de acordo com raça, sexo, peso e estado físico do animal ou procedimento cirúrgico. Lisboa, 3 de Outubro de 2014.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PT1107710U PT11077T (pt) | 2010-11-24 | 2010-11-24 | Método e dispositivo para a avaliação do estado anestésico durante a anestesia ou sedação baseada no electroencefalograma |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PT1107710U PT11077T (pt) | 2010-11-24 | 2010-11-24 | Método e dispositivo para a avaliação do estado anestésico durante a anestesia ou sedação baseada no electroencefalograma |
Publications (1)
Publication Number | Publication Date |
---|---|
PT11077T true PT11077T (pt) | 2015-02-13 |
Family
ID=52630082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PT1107710U PT11077T (pt) | 2010-11-24 | 2010-11-24 | Método e dispositivo para a avaliação do estado anestésico durante a anestesia ou sedação baseada no electroencefalograma |
Country Status (1)
Country | Link |
---|---|
PT (1) | PT11077T (pt) |
-
2010
- 2010-11-24 PT PT1107710U patent/PT11077T/pt active IP Right Grant
Similar Documents
Publication | Publication Date | Title |
---|---|---|
PT105402A (pt) | Método e dispositivo para a avaliação do estado anestésico durante a anestesia ou sedação baseada no electroencefalograma | |
Muceli et al. | Accurate and representative decoding of the neural drive to muscles in humans with multi‐channel intramuscular thin‐film electrodes | |
US9402558B2 (en) | System and method for pain detection and computation of a pain quantification index | |
O'Mahony et al. | Rodent models of colorectal distension | |
US20080051669A1 (en) | Diagnosis of sleep apnea | |
EP2018825A1 (en) | Methods and device to quantify human physical activity pattern | |
US20160324446A1 (en) | System and method for determining neural states from physiological measurements | |
US9668673B2 (en) | System for the automatic detection of respiratory diseases and for the prediction of future acute airway instabilities | |
Wilson et al. | An ovine model of spinal cord injury | |
Danziger et al. | Dynamics of the sensory response to urethral flow over multiple time scales in rat | |
Hochberger et al. | Deviation from expected cognitive ability is a core cognitive feature of schizophrenia related to neurophysiologic, clinical and psychosocial functioning | |
Mott et al. | Use of the Polar V800 and Actiheart 5 heart rate monitors for the assessment of heart rate variability (HRV) in horses | |
JP2008173160A (ja) | 心拍のゆらぎの解析方法およびそれを用いた健康状態の判断方法 | |
Campbell et al. | Evidence for a respiratory component, similar to mammalian respiratory sinus arrhythmia, in the heart rate variability signal from the rattlesnake, Crotalus durissus terrificus | |
Vanneau et al. | Determination of the sleep–wake pattern and feasibility of NREM/REM discrimination using the non‐invasive piezoelectric system in rats | |
Kumar et al. | Electroencephalogram based quantitative estimation of pain for balanced anaesthesia | |
JP2010184041A (ja) | 心拍ゆらぎの分析方法 | |
PT11077T (pt) | Método e dispositivo para a avaliação do estado anestésico durante a anestesia ou sedação baseada no electroencefalograma | |
Manresa et al. | Introducing the reflex probability maps in the quantification of nociceptive withdrawal reflex receptive fields in humans | |
Nita et al. | Burst-suppression is reactive to photic stimulation in comatose children with acquired brain injury | |
Brás et al. | Electroencephalogram-based indices applied to dogs' depth of anaesthesia monitoring | |
US11660047B2 (en) | Consciousness level determination method and computer program | |
Alpiger et al. | Efficacy of the A‐line™ AEP monitor as a tool for predicting successful insertion of a laryngeal mask during sevoflurane anesthesia | |
Ruonala | Surface electromyography and kinematic measurements in Parkinson's disease: analysis methods for differential diagnosis and quantification of treatment | |
KR20120000371A (ko) | 마취심도 모니터링 장치 및 그를 이용한 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
BB1K | Laying open of utility model application |
Effective date: 20150211 |
|
FG3K | Utility model granted, date of granting |
Effective date: 20160420 |