WO2023243873A9 - 섬망 발생 예측 방법 및 이를 이용한 섬망 발생 예측용 장치 - Google Patents
섬망 발생 예측 방법 및 이를 이용한 섬망 발생 예측용 장치 Download PDFInfo
- Publication number
- WO2023243873A9 WO2023243873A9 PCT/KR2023/006528 KR2023006528W WO2023243873A9 WO 2023243873 A9 WO2023243873 A9 WO 2023243873A9 KR 2023006528 W KR2023006528 W KR 2023006528W WO 2023243873 A9 WO2023243873 A9 WO 2023243873A9
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- delirium
- predicting
- surgery
- occurrence
- eeg
- Prior art date
Links
- 206010012218 Delirium Diseases 0.000 title claims abstract description 204
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000002980 postoperative effect Effects 0.000 claims abstract description 42
- 238000001356 surgical procedure Methods 0.000 claims description 99
- 238000004891 communication Methods 0.000 claims description 24
- 238000002695 general anesthesia Methods 0.000 claims description 6
- 210000002442 prefrontal cortex Anatomy 0.000 claims description 5
- 210000004556 brain Anatomy 0.000 description 12
- 206010002091 Anaesthesia Diseases 0.000 description 8
- 230000037005 anaesthesia Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 208000010877 cognitive disease Diseases 0.000 description 6
- 230000001149 cognitive effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 208000028698 Cognitive impairment Diseases 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000000284 resting effect Effects 0.000 description 5
- 238000013399 early diagnosis Methods 0.000 description 4
- 230000033764 rhythmic process Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 210000004761 scalp Anatomy 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 238000007473 univariate analysis Methods 0.000 description 3
- 206010012289 Dementia Diseases 0.000 description 2
- 208000002193 Pain Diseases 0.000 description 2
- 230000003920 cognitive function Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000000537 electroencephalography Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- BQJCRHHNABKAKU-KBQPJGBKSA-N morphine Chemical compound O([C@H]1[C@H](C=C[C@H]23)O)C4=C5[C@@]12CCN(C)[C@@H]3CC5=CC=C4O BQJCRHHNABKAKU-KBQPJGBKSA-N 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036407 pain Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 206010010305 Confusional state Diseases 0.000 description 1
- 208000019749 Eye movement disease Diseases 0.000 description 1
- 238000000729 Fisher's exact test Methods 0.000 description 1
- 208000036119 Frailty Diseases 0.000 description 1
- 238000000585 Mann–Whitney U test Methods 0.000 description 1
- 206010060860 Neurological symptom Diseases 0.000 description 1
- 208000004550 Postoperative Pain Diseases 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 229940035676 analgesics Drugs 0.000 description 1
- 239000000730 antalgic agent Substances 0.000 description 1
- 206010003549 asthenia Diseases 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 208000015114 central nervous system disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000000624 ear auricle Anatomy 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000010197 meta-analysis Methods 0.000 description 1
- 229960005181 morphine Drugs 0.000 description 1
- 238000010202 multivariate logistic regression analysis Methods 0.000 description 1
- 230000004118 muscle contraction Effects 0.000 description 1
- 238000010855 neuropsychological testing Methods 0.000 description 1
- 235000003715 nutritional status Nutrition 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 230000002360 prefrontal effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 238000012315 univariate regression analysis Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Definitions
- the present invention relates to a method for predicting the occurrence of delirium and a device for predicting the occurrence of delirium using the same.
- Delirium is one of the common psychiatric disorders in elderly people after surgery. This ‘postoperative delirium (POD)’ occurs frequently in elderly people and is associated with high mortality.
- POD postoperative delirium
- the diagnosis of delirium is generally made through observation of symptoms, questionnaires, etc., and interviews about changes in consciousness, orientation, etc.
- CAM Confusion Assessment Method
- the most common diagnostic test for delirium there is no standardized diagnostic method, the cause is multifactorial, and there is no treatment, so it is associated with acute onset and fluctuating mental status, inattention, and disorganized thinking. , continuous and close observation and interviews by medical staff regarding changes in level of consciousness, etc. must be conducted.
- EEG Electroencephalogram, brain wave
- EEG Electroencephalogram, brain wave
- EEG is an electrophysiological monitoring method that records the electrical activity of the scalp. It indicates the macroscopic activity of the surface layer of the brain and is used to evaluate brain function.
- EEG is generally non-invasive, using electrodes placed along the scalp, and unlike interview-based neuropsychological tests, it is largely unaffected by the patient's cultural background and level of education or the examiner's skill level. In addition, EEG is attracting attention as a marker for its usefulness in cognitive disorders and dementia.
- Identification of cognitive impairment is based on several surveys. The ones commonly used to diagnose dementia are mainly used. However, it has the disadvantage that if the patient's education is short and their understanding is poor, they may be diagnosed as having cognitive impairment.
- the present inventors found that measuring cognitive function with an EEG-based test can rule out these subjective problems, and that pre-operative EEG measurements in patients who developed delirium after surgery (delirium group) were similar to those in patients who did not develop delirium after surgery. It was recognized that the EEG measurements were different from the preoperative EEG measurements of the (non-delirium group).
- the present inventors were able to recognize that the occurrence of delirium can be predicted with only two EEG channels, and more specifically, the possibility of delirium occurring after surgery can be predicted through the MDF value derived from the EEG before surgery.
- the problem to be solved by the present invention is to provide a method for predicting the occurrence of delirium and a device for predicting the occurrence of delirium, which predict the possibility of delirium after surgery based on EEG signals received from an individual before surgery.
- the step of predicting the possibility of occurrence of postoperative delirium based on the received EEG signal involves measuring the central frequency of power values in the frequency band between 5.5 and 13 Hz of the EEG signal in a resting state with eyes closed.
- a step of predicting the possibility of postoperative delirium occurring based on Median Dominant Frequency (MDF) may be further included.
- the EEG signal in the step of receiving the EEG signal obtained from the subject before surgery, can be acquired through only two EEG channels.
- two EEG channels may be located in the subject's prefrontal cortex.
- the surgery may be a surgery requiring general anesthesia.
- an apparatus for predicting the occurrence of delirium according to an embodiment of the present invention is provided.
- the device for predicting the occurrence of delirium includes a communication unit configured to receive an EEG signal obtained from an individual before surgery, and a processor connected to the communication unit, and the processor is configured to predict the possibility of occurrence of delirium after surgery based on the received EEG signal. .
- the processor may be configured to predict the possibility of occurrence of delirium after surgery based on power values in the frequency range of 5.5 to 13 Hz in the EEG signal.
- the processor can be further configured to predict the likelihood of postoperative delirium based on the median frequency (MDF) of power values in the frequency band ranging from 5.5 Hz to 13 Hz in the EEG signal. there is.
- MDF median frequency
- the processor may be configured to predict that there is a high possibility of developing delirium after surgery when the MDF value is 8.40 or less.
- two EEG channels may be configured to be located in the subject's prefrontal cortex.
- the present invention can predict the possibility of delirium after surgery at an early stage using only the Median Dominant Frequency (MDF) of power values in the frequency band between 5.5Hz and 13Hz in the EEG signal of the subject before surgery.
- MDF Median Dominant Frequency
- Figure 1B is a schematic diagram illustrating a device for predicting the occurrence of delirium, according to an embodiment of the present invention.
- Figure 7a shows the median frequency (MDF) numerical results of power values in the EEG frequency band between 5.5 Hz and 13 Hz of an individual predicted using the delirium occurrence prediction method and device according to an embodiment of the present invention. It is shown.
- MDF median frequency
- the term “subject” may be an individual who receives a diagnosis from a medical staff regarding the possibility of developing delirium after surgery through the method and device of the present invention.
- the subject in the specification herein may be a subject, a patient about to undergo surgery, more preferably a patient about to undergo surgery under general anesthesia, and even more preferably a subject with a high possibility of developing delirium before surgery under general anesthesia.
- the patient may be over 70 years of age.
- the device 100 for predicting delirium occurrence may provide delirium occurrence prediction data in the form of a web page, application, or program through a web browser installed on the medical staff device 200. In various embodiments, this information may be provided in a client-server environment and included in the platform.
- Figure 1B is a schematic diagram illustrating a device for predicting the occurrence of delirium, according to an embodiment of the present invention.
- the communication unit 120 connects the delirium occurrence prediction device 100 to enable communication with an external device.
- the communication unit 120 is connected to the medical staff device 200 using wired/wireless communication and can transmit and receive various data. Specifically, the communication unit 120 may receive an EEG signal of an entity from the EEG channel 110 and receive an EEG signal from brain electromagnetic tomography (not shown). Additionally, the communication unit 120 may transmit the analysis results to the medical staff device 200.
- processor 130 may generate at least one of feature data extracted from the EEG signal: MDF, power spectrum densities (PSDs), functional connectivity, and network index.
- MDF feature data extracted from the EEG signal
- PSDs power spectrum densities
- functional connectivity e.g., network index
- network index e.g., network index
- the processor 130 may input feature data from the EEG signal into a prediction model and output the possibility of occurrence of delirium after surgery.
- the components of the medical staff device 200 which is a component of the system for predicting the occurrence of delirium of the present invention, will be described.
- the present invention provides the possibility of developing delirium after surgery before surgery, thereby contributing to early diagnosis of delirium after surgery and good treatment prognosis.
- the method includes receiving an EEG (Electroencephalography) signal obtained from a subject before surgery (S110) and predicting the possibility of occurrence of delirium after surgery based on the received EEG signal (S120). .
- EEG Electroencephalography
- the medical staff 250 can easily obtain delirium occurrence prediction data without temporal or spatial constraints. Additionally, continuous monitoring, such as evaluating treatment prognosis, may be possible.
- the probability of developing delirium after surgery may increase. For example, if the MDF value decreases by 1, it may mean that the possibility of delirium after surgery increases by 2.5 times.
- the step (S110) of first receiving an EEG (Electroencephalography) signal obtained from a subject before surgery includes first receiving the EEG signal of the subject, and based on the EEG signal, MDF and power spectrum densities (PSDs). ), functional connectivity, and network index may be generated.
- the step of predicting the possibility of occurrence of delirium after surgery based on the received EEG signal (S120) is performed by using the feature data as input and a classification model learned to output the possibility of occurrence of delirium after surgery, at least one feature data Based on this, information on the likelihood of delirium occurring in an individual can be predicted.
- Figures 3 to 8 show the evaluation results of preoperative EEG signals of the delirium group in which delirium occurred after surgery and the non-delirium group in which delirium did not occur after surgery, according to an embodiment of the present invention.
- EEG signals from a total of 48 postoperative delirium group and 189 non-delirium group were used.
- the present inventors collected patient characteristics, comorbidities, and social history through patient interviews and medical chart review, and administered the Mini-Mental State Exam (MMSE) and Montreal Cognitive Evaluation (MMSE) to patients. Cognitive function testing was performed using the Cognitive Assessment (MoCA).
- MMSE Mini-Mental State Exam
- MoCA Cognitive Assessment
- intraoperative data estimated blood loss, total anesthesia duration, and anesthesia
- Postoperative delirium was assessed at least four times a day during the postoperative hospitalization period. Delirium patients were evaluated for the duration of neurological symptoms, postoperative delirium subtype, and severity of cognitive impairment using the Korean version of the Delirium Rating Scale (K-DRS).
- Noninvasive unipolar scalp electrodes were placed in the frontal region (Fp1, Fp2 of the International 10/20 electrode system) with the subject's right earlobe as a reference.
- the frequency pass-band of the neuroNicle amplifier (LAXTHA Inc., Korea) was 3 to 43 Hz and the input range was +/-393 uV (input noise ⁇ 0.6 ⁇ Vrms). All filters are digital and IIR Butterworth filters were applied.
- High-pass filter: fc 1st order at 2.6Hz.
- Contact impedances were kept below 10 k ⁇ each. All data were digitized in continuous recording mode (5 min EEG, 250 Hz sampling rate, 15-bit resolution).
- Example 3 EEG signal and process of deriving MDF value from EEG signal
- MDF Median Dominant Frequency
- Continuous variables are expressed as mean ⁇ standard deviation or median (interquartile range) and were compared using the independent t-test or Mann-Whitney U test, depending on the distribution of the variables.
- Categorical variables are expressed as numbers (%) and were compared using the chi-square test or Fisher's exact test.
- Univariate logistic regression analysis was performed to identify factors associated with risk of delirium. All multivariate logistic regression (multivariate analysis) models were adjusted for age, Charlson Comorbidity Index (CCI), and anesthesia time, considering clinical significance and statistical significance. Changes in the numerical rating scale for pain during the 7 days after surgery were compared between the two groups by a linear mixed-effect model with a complex symmetric covariance structure.
- Statistical analyzes were performed using SAS version 9.4 and R, version 4.0.3 (http://www.r-project.org/).
- MMSE Mini-Mental State Examination
- the preoperative Montreal Cognitive Assessment (MoCA) was statistically significantly lower in the delirium group than in the non-delirium group (22 vs 24, p 0.033).
- Pain known to be the strongest risk factor for postoperative delirium, was measured repeatedly with the Numeric Rating Scale (NRS) at rest and on moving until 7 days after surgery (not shown).
- the total dose of postoperative analgesics affecting the NRS score was converted to equivalent intravenous morphine and compared between groups, but there was no difference between groups over time (not shown).
- OR odds ratio
- Figure 7a shows the median frequency (MDF) numerical results of the EEG frequency band power values between 5.5 Hz and 13 Hz of an individual predicted using the delirium occurrence prediction method and device according to an embodiment of the present invention. It was done. Referring to Figure 7a, the MDF value of alpha vibration of one individual was found to be 7.52.
- delirium occurrence prediction information indicating that an individual has a high risk of developing delirium after surgery is provided.
- Figure 8a shows the median frequency (MDF) numerical results of the EEG frequency band power values between 5.5Hz and 13Hz of another subject predicted using the delirium occurrence prediction method and device according to an embodiment of the present invention. It is shown. Referring to Figure 8a, the MDF value of alpha vibration of one individual was found to be 10.39.
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Psychology (AREA)
- Neurology (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Physiology (AREA)
- Educational Technology (AREA)
- Social Psychology (AREA)
- Neurosurgery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 명세서에서는, 프로세서에 의해 구현되는 섬망 발생에 대한 정보를 수술 전에 제공하는 방법으로서, 수술 전에 개체로부터 수득된 EEG(Electroencephalogram) 신호를 수신하는 단계 및 수신된 EEG 신호를 기초로 수술 후 섬망 발생 가능성을 예측하는 단계를 포함하는, 섬망 발생 예측 방법 및 장치가 제공된다.
Description
본 발명은 섬망 발생 예측 방법과 이를 이용한 섬망 발생 예측용 장치에 관한 것이다.
섬망(delirium)은 수술 후 노인에게서 흔히 나타나는 정신과적 질환 중 하나이다. 이러한 '수술후 섬망(POD, postoperative delirium)'은 고령에서 빈번하게 나타나고 높은 사망률과 연관이 있다.
섬망의 진단은 일반적으로 증상의 관찰과 문진 등을 통해 의식, 지남력 등의 변화 양상 등에 대한 인터뷰를 통해 진단이 내려진다. 섬망에 대한 가장 일반적인 진단 검사인 CAM(Confusion Assessment Method)의 경우, 표준화된 진단 방법도 없고, 원인도 다발성 인자에 의하고 치료법도 없는 실정이기 때문에 정신 상태의 급성 발병 및 변동 과정, 부주의, 와해된 사고, 의식 수준의 변화 등에 대한 의료진의 지속적이고 면밀한 관찰과 인터뷰가 수행되어야 한다.
EEG(Electroencephalogram, 뇌파)는 두피의 전기적 활동을 기록하는 전기생리학적 모니터링 방법으로, 뇌 표층의 거시적 활동을 나타내어 뇌 기능 평가에 사용된다. EEG는 일반적으로 두피를 따라 전극을 배치하여 비침습적이며, 인터뷰를 기반으로 한 신경 심리학적 테스트와 달리 환자의 문화적 배경과 교육 수준, 검사자의 숙련도에 거의 영향을 받지 않는다. 또한, EEG는 표지자로서 인지 장애나 치매 등에서 그 유용성이 주목받고 있다.
발명의 배경이 되는 기술은 본 발명에 대한 이해를 보다 용이하게 하기 위해 작성되었다. 발명의 배경이 되는 기술에 기재된 사항들이 선행기술로 존재한다고 인정하는 것으로 이해되어서는 안 된다.
섬망 진단에 있어서, 위험군을 사전에 구별해 내어 조기 진단하는 것이 중요하다. 즉, 조기 진단을 위해 발생 가능성을 예측하여 예의 주시해야 한다. 특히 환자가 고령이거나 병발 질환이 많거나 기존 중추신경계 질환이 있거나 특히 기존 인지 장애가 있을 경우, 섬망 발생 가능성이 큰 것으로 나타났다. 따라서 섬망 조기 진단에 있어서 인지 장애가 있는지 앞서 판별하는 것이 중요하다.
인지 장애 판별은 여러 가지 설문 조사를 기반으로 하고 있다. 보통 치매 진단에 사용되고 있는 것을 주로 사용한다. 그러나 환자의 교육 연한이 짧아 이해력이 떨어질 경우에 인지 장애가 있는 것으로 진단될 수 있다는 단점이 있다.
한편, 본 발명자들은 뇌파를 기반으로 한 검사로 인지 기능을 측정하면 이러한 주관적인 문제점을 배제할 수 있으며, 수술 후 섬망 발생 환자(섬망군)의 수술 전의 EEG 측정값이 수술 후 섬망이 발생하지 않은 환자(비섬망군)의 수술 전 EEG 측정값과 다르다는 점을 인지할 수 있었다.
따라서 본 발명자들은 2개의 EEG 채널만으로도 섬망 발생을 예측할 수 있으며, 보다 상세하게는 수술 전에 EEG로부터 도출한 MDF수치를 통해 수술 후 섬망 발생 가능성을 예측할 수 있음을 인지할 수 있었다.
기존의 EEG 경우에는 64 채널을 주로 사용하고 있다. 기존의 EEG 장비들은 뇌 신호 측정을 위한 전극을 부착하는데 사용자의 불편함 및 번거로움이 있었다.
따라서, 본 발명이 해결하고자 하는 과제는, 수술 전에 개체로부터 수신된 EEG 신호를 기초로 수술 후 섬망 발생 가능성을 예측하는, 섬망 발생 예측 방법 및 섬망 발생 예측용 장치를 제공하는 것이다.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위하여, 본 발명의 실시 예에 따른 섬망 발생 예측 방법을 제공한다. 본 발명의 실시 예에 따른 섬망 발생 예측 방법은, 프로세서에 의해 구현되는 섬망 발생에 대한 예측 방법으로서, 수술 전에 개체로부터 수득된 EEG(Electroencephalogram) 신호를 수신하는 단계 및 수신된 EEG 신호를 기초로 수술 후 섬망 발생 가능성을 예측하는 단계를 포함한다.
본 발명의 또 다른 특징에 따르면, 수신된 EEG 신호를 기초로 수술 후 섬망 발생 가능성을 예측하는 단계는, 눈을 감은 안정 상태에서 EEG 신호의 5.5-13 Hz 사이의 전력값을 기초로 수술 후 섬망 발생 가능성을 예측하는 단계를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 수신된 EEG 신호를 기초로 수술 후 섬망 발생 가능성을 예측하는 단계는, 눈을 감은 안정 상태에서 EEG 신호의 5.5-13 Hz 사이의 주파수 대역에서 전력값들의 중앙 주파수 (Median Dominant Frequency, MDF)를 기초로 수술 후 섬망 발생 가능성을 예측하는 단계를 더 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 수신된 EEG 신호를 기초로 수술 후 섬망 발생 가능성을 예측하는 단계는, MDF값이 8.40 이하일 때, 수술 후 섬망 발생 가능성이 높은 것으로 예측하는 단계를 더 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 수술 전에 개체로부터 수득된 EEG 신호를 수신하는 단계에서 EEG 신호는 오직 2개의 EEG 채널을 통해서 획득될 수 있다.
본 발명의 또 다른 특징에 따르면, 2개의 EEG 채널은 개체의 전전두엽에 위치될 수 있다.
본 발명의 또 다른 특징에 따르면, 수술은 전신마취가 요구되는 수술일 수 있다.
전술한 바와 같은 과제를 해결하기 위하여, 본 발명의 실시예에 따른 섬망 발생 예측용 장치를 제공한다.
이때, 섬망 발생 예측용 장치는, 수술 전에 개체로부터 수득된 EEG 신호를 수신하도록 구성된 통신부, 통신부와 연결된 프로세서를 포함하고, 프로세서는 수신된 EEG 신호를 기초로 수술 후 섬망 발생 가능성을 예측하도록 구성된다.
본 발명의 특징에 따르면, 프로세서는 EEG 신호에서 5.5 내지 13Hz 주파수 범위의 전력값을 기초로 수술 후 섬망 발생 가능성을 예측하도록 구성될 수 있다.
본 발명의 또 다른 특징에 따르면, 프로세서는 EEG 신호에서 5.5Hz에서부터 13Hz 범위의 주파수 대역에서 전력값들의 중앙 주파수 (Median Dominant Frequency, MDF)를 기초로 수술 후 섬망 발생 가능성을 예측하도록 더 구성될 수 있다.
본 발명의 또 다른 특징에 따르면, 프로세서는 MDF값이 8.40 이하일 때, 수술 후 섬망 발생 가능성이 높은 것으로 예측하도록 구성될 수 있다.
본 발명의 또 다른 특징에 따르면, 통신부는 수술 전에 개체로부터 수득된 EEG 신호를 오직 2개의 EEG 채널을 통해서 획득하도록 더 구성될 수 있다.
본 발명의 또 다른 특징에 따르면, 2개의 EEG 채널은 개체의 전전두엽에 위치되도록 구성될 수 있다.
본 발명의 또 다른 특징에 따르면, 수술은 전신마취가 요구되는 수술일 수 있다.
본 발명은 전전두엽 부위에 오직 2개의 EEG 채널을 통해 수득된 EEG 신호로 수술 전에 수술 후 섬망 발생 가능성을 예측할 수 있으며, 이를 통해 환자에게 조기 섬망 예방 전략을 제공하거나 수술 진행 여부에 대한 정보를 제공할 수 있는 효과가 있다. 보다 구체적으로, 본 발명은 기존에 널리 사용되는 64 채널 EEG을 쓰지 않고 2 채널 EEG를 사용하므로, 수술 전에 섬망을 진단하는 장치 개발에 있어 비용 절감의 효과가 있다.
이와 더불어 본 발명은 수술 전 개체의 EEG 신호에 있어, 5.5Hz 내지 13Hz 사이의 주파수 대역에서 전력값들의 중앙 주파수 (Median Dominant Frequency, MDF) 수치 만으로도 수술 후 섬망 발생 가능성을 조기 예측할 수 있다.
본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.
도 1a는 본 발명의 실시예에 따른, 섬망 발생 예측 방법을 이용한 섬망 발생 예측 시스템을 설명하기 위한 개략도이다.
도 1b는 본 발명의 실시예에 따른, 섬망 발생 예측용 장치를 설명하기 위한 개략도이다.
도 1c는 본 발명의 실시예에 따른, 섬망 발생 예측 시스템의 구성요소인 의료진 디바이스를 설명하기 위한 개략도이다.
도 2는 본 발명의 실시예에 따른, 섬망 발생 예측 방법의 절차를 예시적으로 도시한 것이다.
도 3은 본 발명의 실시예에 따른, 섬망 발생 예측 방법 및 장치를 이용하여 예측된 섬망군과 비섬망군을 나타낸 것이다.
도 4는 본 발명의 실시예에 따른, 섬망 발생 예측 방법 및 장치를 이용하여 예측된 섬망군과 비섬망군의 정보 및 평가 결과들을 도시한 것이다.
도 5는 본 발명의 실시예에 따른, 섬망 발생 예측 방법 및 장치를 이용하여 예측된 섬망군과 비섬망군의 평가 결과들을 수술 후 섬망 발병 확률에 대하여 단변량 회귀분석한 결과를 도시한 것이다.
도 6은 본 발명의 실시예에 따른, 섬망 발생 예측 방법 및 장치를 이용하여 예측된 섬망군과 비섬망군의 평가 결과들을 수술 후 섬망 발병 확률에 대하여 다변량 회귀분석한 결과를 메타분석 숲그림(Forest plot)으로 도시한 것이다.
도 7a는 본 발명의 실시예에 따른, 섬망 발생 예측 방법 및 장치를 이용하여 예측된 일 개체의 5.5Hz 내지 13Hz 사이의 EEG 주파수 대역에서 전력값들의 중앙 주파수 (Median Dominant Frequency, MDF) 수치 결과를 도시한 것이다.
도 7b는 본 발명의 실시예에 따른, 섬망 발생 예측 방법 및 장치를 이용하여 예측된 일 개체의 섬망 발생 예측 정보 제공 화면을 도시한 것이다.
도 8a는 본 발명의 실시예에 따른, 섬망 발생 예측 방법 및 장치를 이용하여 예측된 다른 일 개체의 5.5Hz 내지 13Hz 사이의 EEG 주파수 대역에서 전력값들의 중앙 주파수 (Median Dominant Frequency, MDF) 수치 결과를 도시한 것이다.
도 8b는 본 발명의 실시예에 따른, 섬망 발생 예측 방법 및 장치를 이용하여 예측된 다른 일 개체의 섬망 발생 예측 정보 제공 화면을 도시한 것이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예를 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조부호가 사용될 수 있다.
본 문서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 문서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~ 를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된)프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 문서에서 사용된 용어들은 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 다른 실시예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 문서에 기재된 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 문서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 문서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 문서에서 정의된 용어일지라도 본 문서의 실시 예들을 배제하도록 해석될 수 없다.
본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.
본 명세서의 해석의 명확함을 위해, 이하에서는 본 명세서에서 사용되는 용어들을 정의하기로 한다.
본 명세서에서 사용되는 용어, “섬망 (delirium)”은, 노인에게서 흔히 나타나는 정신과적 질환 중 하나로서, 일시적으로 매우 갑작스럽게 나타나는 정신상태의 혼란을 의미한다. 보다 구체적으로는 본 명세서에서의 섬망은 수술 후에 발생할 수 있는 섬망, 즉 “수술 후 섬망(POD, postoperative delirium)”을 의미할 수 있다.
본 명세서에서 사용되는 용어, “개체”는 수술 후 섬망 발생 가능성에 대해 본 발명의 방법 및 장치를 통해 의료진으로부터 진단을 받는 개체일 수 있다. 바람직하게 본원 명세서에서 개체는, 피험자일 수 있고, 수술을 앞둔 환자일 수 있으며, 보다 바람직하게는 전신마취 수술을 앞둔 환자일 수 있으며, 보다 더 바람직하게는 전신마취 수술을 앞둔 섬망 발생 가능성이 높은 70세 이상 연령의 환자일 수 있다.
본 명세서에서 사용되는 용어, “신호 (electroencephalogram signal)”는, 뇌파를 감지하는 센서에 기록된 EEG 신호 값을 의미할 수 있다. 보다 구체적으로, EEG 신호는 둘 이상의 전극 채널로부터 뇌에서 발생하는 전기적 신호를 측정함으로써 획득될 수 있다.
한편, EEG 신호는 센서 (sensor) 로부터 획득된 신호 또는 신호 값일 수 있음에 따라, 본원 명세서 내에서 뇌파 데이터와 동일한 의미로 해석될 수 있다.
본 발명의 특징에 따르면, EEG 신호는, 개체에 대하여 자극을 가하지 않은 안정 상태 (resting state)에서 획득된 시계열 뇌파 데이터일 수 있으나 이에 제한되는 것은 아니다.
본 명세서에서 사용되는 용어, “중앙 지배 주파수 (Median Dominant Frequency, 약어로서 MDF)” 는, 개체로부터 수득된 EEG 신호 중에서 개체가 눈을 감은 상태에서 뇌 리듬이 느려지는 현상을 설명하는 표지자이며, 본 명세서에서는 5.5Hz와 13Hz 사이의 주파수 대역에서 전력값들의 중앙 주파수 (Median Dominant Frequency, MDF)를 의미할 수 있다. 또한, 본 명세서에서의 MDF는 Peak-MEF(median Edge Frequency)라는 용어로도 불릴 수 있다.
이하에서는 도 1a 내지 1c를 참조하여, 본 발명의 실시예에 따른, 섬망 발생 예측 방법을 이용한 섬망 발생 예측용 장치를 상세히 설명한다.
도 1a는 본 발명의 실시예에 따른, 섬망 발생 예측 방법을 이용한 섬망 발생 예측 시스템을 설명하기 위한 개략도이다.
도 1a를 참조하면, 섬망 발생 예측 시스템 (1000) 은, 개체의 뇌파를 기초로 수술 후 섬망 발생 예측 데이터를 수술 전에 제공하도록 구성된 시스템일 수 있다.
또한, 섬망 발생 예측 시스템 (1000) 은, EEG 신호에 기초하여, 개체에 대한 섬망 발생 여부를 예측하도록 구성된 섬망 발생 예측용 장치 (100) 및 의료진 디바이스 (200) 로 구성될 수 있다.
섬망 발생 예측용 장치 (100) 는, 오직 2개의 EEG 채널 (110)을 포함하며, 의료진 디바이스(200)와 연동하여 구동될 수 있다. 또한, 섬망 발생 예측용 장치 (100) 는 2개의 EEG 채널 (110) 로부터 EEG 신호를 수신하고, 수신된 EEG 신호로부터 특징을 추출하여 의료진 디바이스 (200)로 섬망 발생 예측용 데이터를 제공할 수 있다. EEG 채널 (110) 을 구성하기 위해 2개의 전극과 추가적인 그라운드 전극이 요구될 수 있다.
섬망 발생 예측용 장치 (100) 는 섬망 발생 예측 데이터를 의료진 디바이스 (200) 에 설치된 웹 브라우저를 통해 웹 페이지로 제공되거나, 어플리케이션, 또는 프로그램 형태로 제공될 수 있다. 다양한 실시예에서 이러한 정보는 클라이언트-서버 환경에서 플랫폼에 포함되는 형태로 제공될 수 있다.
다음으로, 도 1b를 참조하여, 본 발명의 섬망 발생 예측용 장치 (100)의 구성요소에 대하여 구체적으로 설명한다.
도 1b는 본 발명의 실시예에 따른, 섬망 발생 예측용 장치를 설명하기 위한 개략도이다.
도 1b를 참조하면, 섬망 발생 예측용 장치 (100) 는 저장부 (110), 통신부 (120) 및 프로세서 (130)를 포함한다. 수술 전 개체로부터 수득된 EEG 신호를 수신하도록 구성된 통신부 (120)는 프로세서 (130)와 연결되고, 프로세서는 EEG 채널 (110) 로부터 수신된 EEG 신호를 기초로 수술 후 섬망 발생 가능성을 예측하도록 구성될 수 있다.
저장부 (110) 는 개체에 대하여 수술 후 섬망 발생 가능성을 수술 전에 평가하기 위한 다양한 데이터를 저장할 수 있다. 실시예에서 저장부 (110) 는 플래시 메모리 타입, 하드디스크 타입, 멀티미디어 카드 마이크로 타입, 카드 타입의 메모리 (예를 들어 SD 또는 XD 메모리 등), 램, SRAM, 롬, EEPROM, PROM, 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
통신부 (120) 는 섬망 발생 예측용 장치 (100) 가 외부 장치와 통신이 가능하도록 연결한다. 통신부 (120) 는 유/무선 통신을 이용하여, 의료진 디바이스 (200)와 연결되어 다양한 데이터를 송수신할 수 있다. 구체적으로, 통신부 (120) 는 EEG 채널(110) 로부터 개체의 EEG 신호를 수신하고, 뇌 전자기 토모그래피 (brain electromagnetic tomography) (미도시) 로부터, EEG 신호를 수신할 수 있다. 또한, 통신부 (120) 는 의료진 디바이스 (200) 로 분석 결과를 송신할 수 있다.
프로세서 (130) 는 저장부 (110) 및 통신부 (120) 와 동작 가능하게 연결되며, 개체에 대한 EEG 신호를 분석하기 위한 다양한 명령들을 수행할 수 있다.
구체적으로, 프로세서 (130) 는 통신부 (120) 를 통해 EEG 채널 (110) 로부터 개체의 EEG 신호를 수신하고, 수신된 EEG 신호에 기반하여 MDF값을 추출하여 개체에 대한 수술 후 섬망 발생 가능성을 예측할 수 있다.
더욱이, 프로세서 (130) 는 EEG 신호로부터 추출된 MDF값을 비롯한 특징 데이터에 기초하여 섬망 발생 예측 데이터를 제공할 수 있다.
다양한 실시예에서, 프로세서 (130) 는, EEG 신호로부터 추출된 MDF, 전력 스펙트럼 밀도 (power spectrum densities; PSDs), 기능적 연결도 (Functional connectivity) 및 네트워크 지수 (network index) 중 적어도 하나의 특징 데이터를 기초로 수술 후 섬망 발생 가능성을 예측하도록 구성된 예측 모델을 이용할 수 있다. 프로세서 (130)는 EEG 신호로부터의 특징 데이터를 입력으로 하여 예측 모델에 입력하여 수술 후 섬망 발생 가능성을 출력할 수 있다.
다양한 실시예에서, 프로세서 (130) 는, 수신된 EEG 신호를 기초로 수술 후 섬망 발생 가능성을 예측하는 단계에서 EEG 신호의 5.5 내지 13Hz 주파수 범위의 전력값들의 중앙 주파수 (Median Dominant Frequency, MDF)를 기초로 수술 후 섬망 발생 가능성을 예측할 수 있다.
보다 더 구체적으로, 프로세서 (130) 는, 상기 수신된 EEG 신호를 기초로 수술 후 섬망 발생 가능성을 예측하는 단계에서 EEG 신호의 5.5Hz와 13Hz 사이의 주파수 대역에서 전력값들의 중앙 주파수 (Median Dominant Frequency, MDF)를 기초로 수술 후 섬망 발생 가능성을 예측할 수 있다.
보다 더 구체적으로, 프로세서 (130) 는, 상기 수신된 EEG 신호를 기초로 수술 후 섬망 발생 가능성을 예측하는 단계에서 MDF값이 8.40 이하일 때, 수술 후 섬망 발생 가능성이 높은 것으로 예측할 수 있다.
통신부 (120) 는 수술 전 개체로부터 수득된 EEG 신호를 수신하는 단계에서, EEG 신호를 오직 2개의 채널을 통해서 획득할 수 있다.
이와 더불어 EEG 신호를 획득하는 2개의 채널은, 개체의 전전두엽에 위치될 수 있다.
다음으로, 도 1c를 참조하여, 본 발명의 섬망 발생 예측용 시스템의 구성요소인 의료진 디바이스 (200) 의 구성요소에 대해 설명한다.
도 1c는 본 발명의 실시예에 따른, 섬망 발생 예측 시스템의 구성요소인 의료진 디바이스를 설명하기 위한 개략도이다.
도 1c를 참조하면, 의료진 디바이스 (200) 는 통신부 (210), 표시부 (220), 저장부 (230) 및 프로세서 (240)를 포함한다.
도 1c를 참조하면, 의료진은 의료진 디바이스 (200) 를 통해, 개체의 수술 후 섬망 발생 가능성에 대한 정보를 용이하게 획득하고, 수술 후에도 본 발명의 섬망 발생 예측 방법 및 이를 이용한 섬망 발생 예측용 장치를 통해 수득된 EEG 신호 및 분석결과를 통해, 수술 전 EEG 신호와 비교 분석하여, 수술 후 섬망 발병 진단에 이용할 수 있다.
이와 같이 본 발명은 수술 후 섬망 발생 가능성을 수술 전에 제공함에 따라, 수술 후 섬망 발생 조기 진단 및 좋은 치료 예후에 기여할 수 있다.
통신부 (210) 는 의료진 디바이스 (200) 가 외부 장치와 통신이 가능하도록 연결한다. 통신부 (210) 는 유/무선 통신을 이용하여 섬망 발생 예측용 장치 (100) 와 연결되어 다양한 데이터를 송수신할 수 있다. 구체적으로, 통신부 (210) 는 섬망 발생 예측용 장치 (100) 로부터 섬망 발생 예측 데이터를 수신할 수 있다.
표시부 (220) 는 개체의 섬망 발생 예측 데이터를 나타내기 위한 다양한 인터페이스 화면을 표시할 수 있다.
다양한 실시예에서 표시부 (220) 는 터치스크린을 포함할 수 있으며, 예를 들면, 전자 펜 또는 사용자의 신체의 일부를 이용한 터치 (touch), 제스처 (gesture), 근접, 드래그 (drag), 스와이프 (swipe) 또는 호버링 (hovering) 입력 등을 수신할 수 있다.
저장부 (230) 는 결과 데이터를 나타내기 위한 사용자 인터페이스를 제공하기 위해 사용되는 다양한 데이터를 저장할 수 있다. 다양한 실시예에서 저장부 (230) 는 플래시 메모리 타입 (flash memory type), 하드디스크 타입 (hard disk type), 멀티미디어 카드 마이크로 타입 (multimedia card micro type), 카드 타입의 메모리 (예를 들어 SD 또는 XD 메모리 등), 램 (Random Access Memory, RAM), SRAM (Static Random Access Memory), 롬 (Read-Only Memory, ROM), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
프로세서 (240) 는 통신부 (210), 표시부 (220) 및 저장부 (230) 와 동작 가능하게 연결되며, 결과 데이터를 나타내기 위한 사용자 인터페이스를 제공하기 위한 다양한 명령들을 수행할 수 있다.
이하에서는 도 2를 참조하여 본 발명의 다양한 실시예에 따른 섬망 발생 예측 방법에 대하여 설명한다.
도 2는 본 발명의 실시예에 따른 섬망 발생 예측용 장치에서 개체의 EEG 신호에 기반하여 섬망 발생 예측 데이터를 제공하는 방법을 설명하기 위한 개략적인 순서도이다.
도 2를 참조하면, 방법은 수술 전 개체로부터 수득된 EEG(Electroencephalography) 신호를 수신하는 단계 (S110), 상기 수신된 EEG 신호를 기초로 수술 후 섬망 발생 가능성을 예측하는 단계 (S120) 를 포함한다.
보다 구체적으로, 개체의 EEG 신호가 수신되는 단계 (S110) 에서, 안정 상태 (resting state) 에서 획득된 EEG 신호가 획득될 수 있다. 이때, 개체는 약물 복용 이력이 없는 개체일 수 있다.
이와 같은 본 발명의 다양한 실시예에 따른 섬망 발생 예측 방법에 의해 의료진 (250)은 시간적 공간적 제약 없이 섬망 발생 예측 데이터를 용이하게 획득할 수 있다. 또한, 치료 예후 평가와 같은 지속적인 모니터링이 가능할 수 있다.
EEG 신호는 직사각형 윈도우를 갖는 EEG 신호의 고속 푸리에 변환(FFT)에 의해 획득될 수 있고, MDF값은 5분 동안 측정된 EEG 신호의 주파수 영역 분석에서 파생될 수 있다.
또한, MDF 수치는 EEG신호에서 4Hz 내지 15Hz 주파수 대역에서의 전력값들의 중앙 주파수일 수 있다. 4Hz 미만은 눈굴림이나 눈깜박임 등의 안전도 (ElectroOculoGram, EOG) 노이즈에 왜곡되기 쉬운 주파수 대역이고, 15Hz 초과는 이마 근수축등의 근전도 (ElectroMyoGram, EMG) 노이즈에 왜곡되기 쉬운 주파수 대역이다.
보다 구체적으로, MDF는 EEG 신호의 5.5-13 Hz 사이의 주파수 대역에서 전력값들의 중앙 주파수일 수 있다. '눈감은 휴지기 상태의 뇌파 고유리듬'은 5.5~13Hz 주파수영역에서 나타나므로, 노이즈들에 의한 왜곡이 최소화되어 재현성을 높일 수 있다.
MDF 값은 획득된 EEG 신호로부터 다음 두 단계로 계산될 수 있다. 첫 단계로 5.5-13Hz 주파수 영역의 모든 스펙트럼 전력 값을 합산하고 2로 나누고, 두번째 단계로 5.5-13Hz의 누적 전력이 앞선 첫 단계에서 계산된 값을 처음 초과하는 해당 주파수에서의 값을 선택할 수 있다.
일 실시예에서, MDF값이 8.40 이하일 때, 수술 후 섬망 발생 가능성이 높은 것으로 예측될 수 있다. 다른 실시예에서, 전두엽 알파 진동 MDF값이 약 8.40 이하일 때, 예를 들어, (Fp1, Fp2)-전두엽 EEG 신호의 MDF값이 약 8.40 이하일 때, 섬망 발생 위험군으로 개체가 분류될 수 있다.
이와 같이 계산된 MDF 값이 감소되면, 수술 후 섬망 발생 확률이 증가할 수 있으며, 일례로 MDF 값이 1 감소하면, 수술 후 섬망 가능성이 2.5배 증가함을 의미할 수 있다.
다양한 실시예에서, 먼저 수술 전 개체로부터 수득된 EEG(Electroencephalography) 신호를 수신하는 단계 (S110)는 먼저 개체의 EEG 신호가 수신되고, EEG 신호에 기초하여 MDF, 전력 스펙트럼 밀도 (power spectrum densities; PSDs), 기능적 연결도 (Functional connectivity) 및 네트워크 지수 (network index) 중 적어도 하나의 특징 데이터를 생성할 수도 있다. 다음으로 상기 수신된 EEG 신호를 기초로 수술 후 섬망 발생 가능성을 예측하는 단계 (S120)는 상기 특징 데이터를 입력으로 하여 수술 후 섬망 발생 가능성을 출력하도록 학습된 분류 모델에 의해, 적어도 하나의 특징 데이터를 기초로 개체의 섬망 발생 가능성 정보를 예측할 수 있다.
이하에서는, 도 3 내지 8b를 참조하여, 본 발명의 실시예에 따른 수술 전 EEG 신호를 통해 수술 후 섬망 발생 가능성을 예측하는 방법을 설명한다. 도 3 내지 8은 본 발명의 실시예에 따른, 수술 후 섬망이 발생한 섬망군과 수술 후 섬망이 발생하지 않은 비섬망군과의 수술 전 EEG 신호에 있어 평가 결과를 도시한 것이다.
실시예 1: 대상자 선별
먼저 도 3을 참조하면, 본 평가에서는 48 명의 수술 후 섬망군 (Delirium, n=48)과 189 명의 수술 후 비섬망군 (Non-delirium, n=189)이 선별되었다.
총 48 명의 수술 후 섬망군과 189 명의 비섬망군에 대한 EEG 신호가 이용되었다.
본 발명자들은 환자 인터뷰와 의료 차트 검토를 통해 환자의 특성, 동반 질환 및 사회력을 수집하였으며, 환자를 대상으로 한 간이 정신 상태 검사 (Mini-mental State Exam, 약어로서 MMSE) 및 몬트리올 인지 평가 (Montreal Cognitive Assessment, 약어로서 MoCA)를 사용하여 인지 기능 테스트를 수행하였다. 본 발명자들은 환자의 특성(노쇠 지수, 전반적인 악화 척도, 일상 생활의 도구적 활동 및 미니 영양 평가) 및 찰슨 동반질환지수(Charlson comorbidity index, 약어로서 CCI)를 환자 인터뷰와 의료 차트 검토를 통해 수집하였으며, 전자 마취 기록과 함께 수술 중 데이터(예상 혈액 손실, 전체 마취 기간 및 마취)를 수집했다. 수술 후 입원기간 중 하루 4회 이상 수술 후 섬망을 평가하였다. 섬망 환자는 한국판 섬망 평가 척도(K-DRS)로 신경학적 증상의 지속 기간, 수술 후 섬망의 아형, 인지 장애의 중증도를 평가받았다.
실시예 2: EEG 검사 방법
모든 피험자들은 5분 동안 눈을 감고 똑바로 앉은 자세에서 휴식 상태로 뇌파가 기록되었다. 수술 전 마취 전 상담 클리닉에서는, 피험자의 전두엽에 EEG 전극을 적용했다.
EEG 검사하는 동안 피험자들은 일반적인 조명 조건에서 의자에 편안하게 앉았다. 피험자의 오른쪽 귓볼을 기준으로 전두엽 영역(International 10/20 전극 시스템의 Fp1, Fp2)에 비침습성 단극성 두피 전극을 위치시켰다. neuroNicle 증폭기(LAXTHA Inc., 한국)의 주파수 통과-대역은 3 ~ 43Hz이고 입력 범위는 +/-393 uV(입력 노이즈 <0.6 μVrms)였다. 모든 필터는 디지털이며 IIR Butterworth 필터가 적용되었다. 대역 정지(band stop): f1 = 55Hz 및 f2 = 65Hz인 2차(2nd order). 고역 통과 필터(High-pass filter): fc = 2.6Hz의 1차(1st order). 저역 통과 필터(Low-pass filter): fc = 43Hz인 8차(8th Order). 접촉 임피던스는 각각 10kΩ 미만으로 유지되었다. 모든 데이터는 연속 기록 모드(5분 EEG, 250Hz 샘플링 속도, 15비트 분해능)에서 디지털화 되었다.
안구나 근육의 움직임과 같은 왜곡된 시그날을 최소화하기 위해 본 발명자들은 환자 및 EEG 추적을 모니터링하고 환자에게 조용한 환경에서 눈을 감고 근육이 이완된 상태를 유지하도록 지시하고 징후가 나타날 때마다 환자에게 경고했다.
본 발명자들은 신호 처리에서 그 어떤 인위적인 잡음을 임의로 제외하지 않았기 때문에 (Fp1, Fp2)-전두엽 EEG 신호의 근육 및 눈 움직임으로 인한 데이터 오염을 테스트했다. 먼저 전체 피험자의 뇌파 데이터 중 다량의 인위적인 잡음에 의해 오염된 것이 없음을 확인했다. 특히, 참가자 중 누구도 최대 진폭이 200uV를 초과하는 에포크(epoch)의 10% 이상을 포함하지 않았다. 이 값은 제외 기준의 임계값이었다.
실시예 3: EEG 신호 및 EEG 신호로부터 MDF값의 도출 과정
주파수 영역(또는 스펙트럼 영역) 특성은 EEG 리듬의 정량적 분석에 일반적으로 사용된다. EEG 신호를 시간 영역에서 주파수 영역으로 변환하기 위해 자기상관 함수의 푸리에 변환이 사용되었으며 이 변환은 전력 스펙트럼 밀도를 제공한다.
눈을 감고 안정기에 접어든 뇌로부터 수득된 EEG 신호는 유휴 피질 상태를 반영하는 고유 알파 진동이 우세하며 우세한 피크 주파수는 일반적으로 5-12Hz 대역에 위치한다.
본 실시예는 눈을 감은 상태에서 뇌 리듬이 느려지는 현상을 설명하는 대표적인 EEG 표지자인 알파 진동(alpha oscillation)의 MDF(Median Dominant Frequency)에 초점을 맞췄다. MDF는 5분 동안 측정된 EEG 신호의 5-13 Hz 주파수 영역 분석에서 파생된 것으로, EEG 전력 스펙트럼의 5.5-13Hz의 지배적인 고유 진동 주파수 대역에서 중앙 주파수를 의미한다. 그러나, 이에 제한되지 않고, EEG 전력 스펙트럼은 4 내지 15 Hz일 수 있다.
실시예 4: 통계 분석 및 분석 모델 수립
연속변수는 평균 ± 표준편차 또는 중위수(사분위수 범위)로 표시되며, 변수 분포에 따라 독립 t-검정 또는 Mann-Whitney U 검정을 사용하여 비교되었다. 범주형 변수는 숫자(%)로 표시되며 카이제곱 검정 또는 피셔 정확 검정(Fisher's exact test)을 사용하여 비교되었다. 섬망의 위험과 관련된 요인을 식별하기 위해 단변량 로지스틱 회귀 분석(단변량 분석)을 수행했다. 모든 다변량 로지스틱 회귀분석 (다변량 분석) 모델은 임상적 의미와 통계적 유의성을 고려하여 연령, 찰슨 동반질환 지수(CCI) 및 마취 시간을 조정하였다. 수술 후 7일 동안의 통증에 대한 수치적 평가 척도의 변화는 복합 대칭 공분산 구조를 갖는 선형 혼합 효과 모델(linear mixed-effect model)에 의해 두 군간에 비교되었다. 통계 분석은 SAS version 9.4 및 R, version 4.0.3(http://www.r-project.org/)을 사용하여 수행되었다.
실시예 5: 섬망군과 비섬망군 간 EEG 신호의 임상 결과 비교
도 3을 참조하면, 연구 기간 동안 등록된 총 환자 수는 285명이었고, 탈락자는 48명이었고, 최종 분석에 237명이 선별되었다. 이 중 수술 후 섬망은 48명(20.3%) 발생했다. 등록된 환자 중 1차 결과에 대한 데이터가 누락된 경우 해당 정보는 추가 분석에서 제외되었다.
도 4를 참조하면, 여성의 수(63%)가 남성의 수(37%)를 초과하였고, 군간 차이는 없었다. 수술 후 섬망의 전체 발생률은 20.3%(총 237명 중 48명)였다. 섬망군의 연령은 비섬망군보다 유의하게 높았고(76 vs 74, p = 0.008) 수술 전 간이 정신 상태 검사(Mini-Mental State Examination, 약어로서 MMSE) 는 두 군간에 차이가 없었다(27 vs 27, p = 0.134). 반면에, 수술 전 몬트리올 인지 평가(Montreal Cognitive Assessment, 약어로서 MoCA)는 섬망군이 비섬망군보다 통계적으로 유의하게 낮았다(22 vs 24, p = 0.033). 수술 전 측정된 MDF는 섬망군 8.65 ± 0.69, 비섬망군 9.02 ± 0.61이었다. 섬망군의 MDF값은 비섬망군 MDF값과 비교하여 통계적으로 유의하게 낮았다(p = 0.001).
또한, 비섬망군과 비교하여 섬망군은 미니 영양 평가 (mini nutritional assessment) 점수가 13 대 14 (p = 0.003)로 낮고, 찰슨 동반질환 지수(Charlson comorbidity index)가 3 대 4 (p < 0.001)로 더 높았으며, 마취 시간(anesthesia time)은 245분 대 210분(p = 0.030)이었다.
수술 후 섬망의 평균 지속 기간은 1.98 ± 1.81일 이었고 섬망 평가 척도로 평가한 섬망의 평균 점수는 20점이었다. 수술 후 섬망의 발생 시점은 수술 후 3일째가 정점으로 알려져 있으나, 본 실시예에서의 수술 후 섬망의 발생 시점은 수술 직후부터 수술 후 1주일까지 다양하며, 발생 중앙값은 수술 후 2일째였다. 수술 후 섬망 증상의 시기와 기간을 고려할 때 수술 후 5일째에 증상이 있는 환자가 가장 많이 관찰되었다.
수술 후 섬망의 가장 강력한 위험인자로 알려진 통증은 수술 후 7일까지 안정 시(at resting)와 이동 시(on moving)에 NRS(Numeric Rating Scale)로 반복적으로 측정되었다(도면 미도시). 휴식 시 NRS 점수는 군간 시간 경과에 따른 변화에서 통계적으로 유의하지 않았으나 이동 시 NRS 점수는 통계적으로 유의했다(p = 0.044). 수술 직후 군과 수술 후 1주일을 비교했을 때 섬망군에서 수술 후 통증이 수술 후 1주일까지 지속되었다. NRS 점수에 영향을 미치는 수술 후 진통제의 총 용량을 등가 정맥주사 모르핀으로 환산하여 군간 비교하였으나, 시간 경과에 따른 군간 차이는 없었다(도면 미도시).
단변량 분석
도 5를 참조하면, 237명의 피험자를 대상으로 한 단변량 분석에서 수많은 수술 전 요인과 수술 중/후 환자 특성이 수술 후 섬망 발병 확률 증가와 관련이 있었다.
MDF는 수술 후 섬망과 0.4 만큼의 오즈비(OR, odds ratio)로 연관되었다 [0.40 (0.23-0.70), p = 0.001]. 즉, MDF 값이 감소할수록 수술 후 섬망 발생 확률이 증가하고, MDF 값이 1 감소할수록 수술 후 섬망 가능성이 2.5배 증가한다는 뜻이다. 미니 영양 지수로 측정된 수술 전 영양 상태는 수술 후 섬망 발생 오즈비를 감소시켰다[0.82 (0.71-0.93), p = 0.003]. 몬트리올 인지 평가 (MoCA) 점수는 또한 수술 후 섬망의 오즈비를 감소시켰다[0.82(0.71-0.93), p = 0.029]. 오즈비가 1 이상인 주목할만한 환자 특성 요인은 연령[1.11(1.0.3-1.20), p = 0.007]과 4 이상의 찰슨 중복이환 지수로 평가된 중복이환 (comorbidity) [1.67(1.19-2.33), p < 0.001] 이었다. 도구적 일상 생활 활동 측정 도구 (Instrumental activities of daily living, 약어로서 IADL)에 의해 평가된 일상 생활 점수 (daily living score)는 수술 후 섬망 발생 확률을 증가시켰다 [1.10 (1.02-1.19)].
다변량 분석
도 6을 참조하면, 다변량 로지스틱 회귀분석에서 수술 후 섬망 발생에 대한 유의한 위험인자는 환자의 연령, 몬트리올 인지평가(Montreal Cognitive Frequency), 4 이상의 찰슨 중복이환 지수(Chalson comorbidity index), 4시간 이상의 마취 지속시간 및 수술 전 MDF값이었다.
수술 전 MDF는 오즈비 0.42 (95% 신뢰구간 023-0.77)에서 유의하였고, 몬트리올 인지평가와 연령은 통계적으로 유의하지 않았다. 4 이상의 찰슨 동반질환 지수및 4시간 이상의 마취 지속시간은 통계적으로 유의하였다 (p값=0.018, 0.004). 다변량 로지스틱 회귀에 대한 적합도는 Hosmer 및 Lemeshaw 테스트에 의해 확인되었다(p 값 = 0.51).
수술 전 섬망 예측 결과
도 7a는 본 발명의 실시예에 따른, 섬망 발생 예측 방법 및 장치를 이용하여 예측된 일 개체의 5.5Hz 내지 13Hz 사이의 EEG 주파수 대역 전력값들의 중앙 주파수 (Median Dominant Frequency, MDF) 수치 결과를 도시한 것이다. 도 7a를 참조하면, 일 개체의 알파 진동의 MDF값이 7.52로 나타났다.
도 7b를 참조하면, 도 7a의 MDF값을 기초로 일 개체에게 수술 후 섬망 발생 위험도가 높다는 섬망 발생 예측 정보를 제공한다.
도 8a는 본 발명의 실시예에 따른, 섬망 발생 예측 방법 및 장치를 이용하여 예측된 다른 일 개체의 5.5Hz 내지 13Hz 사이의 EEG 주파수 대역 전력값들의 중앙 주파수 (Median Dominant Frequency, MDF) 수치 결과를 도시한 것이다. 도 8a를 참조하면, 일 개체의 알파 진동의 MDF값이 10.39로 나타났다.
도 8b를 참조하면, 도 8a의 MDF값을 기초로 일 개체에게 수술 후 섬망 발생 위험도가 낮다는 섬망 발생 예측 정보를 제공한다.
[이 발명을 지원한 국가연구개발사업]
[과제고유번호] 1711148701
[과제번호] 2020R1A2C1012166
[부처명] 과학기술정보통신부
[과제관리(전문)기관명] 한국연구재단
[연구사업명] 개인기초연구(과기정통부)(R&D)
[연구과제명] 노인환자의 수술 후 섬망 치료 전략
[기여율] 1/ 1
[과제수행기관명] 연세대학교
[연구기간] 2021.03.01 ~ 2022.02.28
Claims (14)
- 프로세서에 의해 구현되는 섬망 발생 가능성을 수술 전에 예측하는 방법으로서,수술 전에 개체로부터 수득된 EEG(Electroencephalogram) 신호를 수신하는 단계;상기 수신된 EEG 신호를 기초로 수술 후 섬망 발생 가능성을 수술 전에 예측하는 단계;를 포함하는, 섬망 발생 예측 방법.
- 제1항에 있어서,상기 수신된 EEG 신호를 기초로 수술 후 섬망 발생 가능성을 수술 전에 예측하는 단계는,상기 EEG 신호에서 5.5 내지 13Hz 주파수 범위의 전력값을 기초로 상기 수술 후 섬망 발생 가능성을 수술 전에 예측하는 단계를 포함하는, 섬망 발생 예측 방법.
- 제1항에 있어서,상기 수신된 EEG 신호를 기초로 수술 후 섬망 발생 가능성을 수술 전에 예측하는 단계는,상기 EEG 신호에서 5.5 내지 13Hz 주파수 대역에서 전력값들의 중앙 주파수 (Median Dominant Frequency, MDF)를 기초로 상기 수술 후 섬망 발생 가능성을 수술 전에 예측하는 단계를 포함하는, 섬망 발생 예측 방법.
- 제3항에 있어서,상기 수신된 EEG 신호를 기초로 수술 후 섬망 발생 가능성을 수술 전에 예측하는 단계는,상기 MDF값이 8.40 이하일 때, 수술 후 섬망 발생 가능성이 높은 것으로 예측하는 단계를 포함하는, 섬망 발생 예측 방법.
- 제1항에 있어서,상기 수술 전에 개체로부터 수득된 EEG 신호를 수신하는 단계에서,상기 EEG 신호는 오직 2개의 EEG 채널을 통해서 획득된, 섬망 발생 예측 방법.
- 제5항에 있어서,상기 2개의 EEG 채널은 개체의 전전두엽에 위치되는, 섬망 발생 예측 방법.
- 제1항에 있어서,상기 수술은, 전신마취가 요구되는 수술인, 섬망 발생 예측 방법.
- 수술 전에 개체로부터 수득된 EEG 신호를 수신하도록 구성된 통신부;상기 통신부와 연결된 프로세서를 포함하고,상기 프로세서는,상기 수신된 EEG 신호를 기초로 수술 후 섬망 발생 가능성을 수술 전에 예측하도록 구성된, 섬망 발생 예측용 장치.
- 제8항에 있어서,상기 프로세서는,상기 EEG 신호에서 5.5 내지 13Hz 주파수 범위의 전력값을 기초로 상기 수술 후 섬망 발생 가능성을 수술 전에 예측하도록 더 구성된, 섬망 발생 예측용 장치.
- 제8항에 있어서,상기 프로세서는,상기 EEG 신호에서 5.5 내지 13Hz 주파수 대역에서 전력값들의 중앙 주파수 (Median Dominant Frequency, MDF)을 기초로 상기 수술 후 섬망 발생 가능성을 수술 전에 예측하도록 더 구성된, 섬망 발생 예측용 장치.
- 제10항에 있어서,상기 프로세서는,상기 MDF값이 8.40 이하일 때, 수술 후 섬망 발생 가능성이 높은 것으로 수술 전에 예측하도록 더 구성된, 섬망 발생 예측용 장치.
- 제8항에 있어서,상기 통신부는,상기 수술 전에 개체로부터 수득된 EEG 신호를 오직 2개의 EEG 채널을 통해서 획득하도록 구성된, 섬망 발생 예측용 장치.
- 제12항에 있어서,상기 2개의 EEG 채널은, 개체의 전전두엽에 위치되도록 구성된, 섬망 발생 예측용 장치.
- 제8항에 있어서,상기 수술은, 전신마취가 요구되는 수술인, 섬망 발생 예측용 장치.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2022-0074205 | 2022-06-17 | ||
KR1020220074205A KR20230173439A (ko) | 2022-06-17 | 2022-06-17 | 섬망 발생 예측 방법 및 이를 이용한 섬망 발생 예측용 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
WO2023243873A1 WO2023243873A1 (ko) | 2023-12-21 |
WO2023243873A9 true WO2023243873A9 (ko) | 2024-07-11 |
Family
ID=89191545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2023/006528 WO2023243873A1 (ko) | 2022-06-17 | 2023-05-15 | 섬망 발생 예측 방법 및 이를 이용한 섬망 발생 예측용 장치 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR20230173439A (ko) |
WO (1) | WO2023243873A1 (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118000665A (zh) * | 2024-01-30 | 2024-05-10 | 北京大学第三医院(北京大学第三临床医学院) | 基于术前检测指标的术后谵妄预测模型的训练方法及设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105188525A (zh) * | 2013-03-14 | 2015-12-23 | 珀西斯特发展公司 | 用于计算定量eeg的方法和系统 |
EP3046466B1 (en) * | 2013-09-19 | 2019-04-03 | UMC Utrecht Holding B.V. | Method and system for determining a parameter which is indicative for whether a patient is delirious |
CN109069081B (zh) * | 2015-12-04 | 2022-05-13 | 爱荷华大学研究基金会 | 用于预测、筛查和监测脑病/谵妄的设备、系统和方法 |
KR20190083998A (ko) * | 2018-01-05 | 2019-07-15 | 광주과학기술원 | 섬망 판별 장치 및 그 방법 |
KR102198884B1 (ko) * | 2018-10-26 | 2021-01-05 | 재단법인 아산사회복지재단 | 섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법 및 프로그램 |
-
2022
- 2022-06-17 KR KR1020220074205A patent/KR20230173439A/ko unknown
-
2023
- 2023-05-15 WO PCT/KR2023/006528 patent/WO2023243873A1/ko unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023243873A1 (ko) | 2023-12-21 |
KR20230173439A (ko) | 2023-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2472156C (en) | System and method of assessment of neurological conditions using eeg bispectrum | |
EP2823760B1 (en) | Field-deployable concussion detector | |
US7594122B2 (en) | Method of determining whether a test subject is a specific individual | |
Bartur et al. | Changes in mu and beta amplitude of the EEG during upper limb movement correlate with motor impairment and structural damage in subacute stroke | |
US20060282008A1 (en) | System and method for vision examination utilizing fault detection | |
US20180279938A1 (en) | Method of diagnosing dementia and apparatus for performing the same | |
JP2014128691A (ja) | 脳機能を評価する方法、および携帯型自動脳機能評価装置 | |
JP2003521987A (ja) | 定量的eegを使用して脳の生理学的不均衡を分類および処置する方法 | |
WO2011084394A1 (en) | Method and device for point-of-care neuro-assessment and treatment guidance | |
Garn et al. | Quantitative EEG in Alzheimer's disease: cognitive state, resting state and association with disease severity | |
WO2021237429A1 (en) | A systematic device and scheme to assess the level of consciousness disorder by using language related brain activity | |
JP2007524448A (ja) | 初期の緑内障を検出し、モニタする自動処置方法及び装置 | |
WO2023243873A9 (ko) | 섬망 발생 예측 방법 및 이를 이용한 섬망 발생 예측용 장치 | |
JP2004537360A (ja) | 視覚検査のシステムおよび方法 | |
Jin et al. | EEG resonant responses in schizophrenia: a photic driving study with improved harmonic resolution | |
Kim et al. | The effect of immediate and delayed word repetition on event-related potential in a continuous recognition task | |
US20050159671A1 (en) | Method for diagnosing, detecting, and monitoring brain function including neurological disease and disorders | |
Katsarou et al. | Auditory event-related potentials in Parkinson's disease in relation to cognitive ability | |
Kimmel et al. | Conditional tonic stimulus control of nonspecific arousal | |
RU2314028C1 (ru) | Способ диагностики и коррекции психоэмоционального состояния "нейроинфография" | |
Choi et al. | Neurological prognostication using raw EEG patterns and spectrograms of frontal EEG in cardiac arrest patients | |
CN113288174A (zh) | 一种精神分裂患者认知功能的检测方法 | |
Kraiuhin et al. | Psychometrics and event-related potentials in the diagnosis of dementia | |
Ulrich et al. | Effect of lithium on the dynamics of electroencephalographic vigilance in healthy subjects | |
Brittenham et al. | Objective frequency analysis of transient visual evoked potentials in autistic children |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 23824098 Country of ref document: EP Kind code of ref document: A1 |