Multiscale entropy analysis of neonatal aEEG signals for brain maturation assessment
L'avaluació precisa de la maduresa cerebral en nounats preterme és fonamental per a la detecció precoç d'anomalies del neurodesenvolupament. Actualment, l'escala de Burdjalov és el mètode més utilitzat en la pràctica clínica per a la valoració visual de l'electroencefalografia in...
| Autor: | |
|---|---|
| Tipo de documento: | dissertação |
| Data de publicação: | 2026 |
| País: | España |
| Recursos: | Universitat Politècnica de Catalunya (UPC) |
| Repositório: | UPCommons. Portal del coneixement obert de la UPC |
| Idioma: | inglês |
| OAI Identifier: | oai:upcommons.upc.edu:2117/456222 |
| Acesso em linha: | https://hdl.handle.net/2117/456222 |
| Access Level: | Acesso embargado |
| Palavra-chave: | Electroencephalography Electroencefalografia Àrees temàtiques de la UPC::Enginyeria biomèdica |
| Resumo: | L'avaluació precisa de la maduresa cerebral en nounats preterme és fonamental per a la detecció precoç d'anomalies del neurodesenvolupament. Actualment, l'escala de Burdjalov és el mètode més utilitzat en la pràctica clínica per a la valoració visual de l'electroencefalografia integrada en amplitud (aEEG). No obstant això, aquest mètode depèn excessivament de l'experiència del clínic avaluador i presenta una variabilitat interobservador considerable (±1,8 setmanes), la qual cosa limita la seva reproductibilitat i fiabilitat. Fins al moment, no existeix cap mètode automatitzat establert en la pràctica clínica habitual, fet que justifica la necessitat d'establir mètodes objectius basats en l'anàlisi quantitativa del senyal registrat. Aquest treball investiga si la integració de característiques d'entropia multiescala (MSE) en l'anàlisi automatitzada d'aEEG pot millorar la predicció de l'edat postmenstrual (PMA) mitjançant la captura de patrons de complexitat temporal reflectius de la maduració cortical. Trenta-sis nounats neurològicament sans (32-42 setmanes PMA) de l'Hospital Universitari Sant Joan de Reus (HUSJR) van ser monitoritzats amb aEEG de dos canals (C3-P3, C4P4; mostreig a 200 Hz). Es va desenvolupar un pipeline automatitzat de dues etapes que comprèn la detecció del son tranquil (QS) mitjançant classificació K-Nearest Neighbors integrant característiques temporals derivades de MSE, seguida de la predicció de PMA mitjançant regressió Partial Least Squares entrenada exclusivament amb segments QS detectats. La validació creuada Leave-One-Subject-Out va assegurar la generalització a casos no vistos. El detector QS optimitzat va assolir un Kappa de Cohen de 0,668 ± 0,199 (90,2% de precisió), representant una millora del 8,8% respecte al model de referència (κ = 0,614). La nova característica de derivada temporal de segon ordre de MSE (MSE_s20_mean_abs_d2) va ocupar el tercer lloc entre 53 característiques candidates, demostrant que la dinàmica de complexitat proporciona informació discriminativa complementària als descriptors espectrals tradicionals. El predictor de PMA va obtenir un error absolut mitjà de 0,87 setmanes (Pearson r = 0,90), amb l'entrenament exclusiu en QS reduint l'error un 31% respecte a l'activitat global (MAE 1,33 setmanes). L'optimització computacional mitjançant l'algoritme FastSampEn2 va aconseguir una acceleració de 127,8×, reduint el temps de processament d'hores a minuts. Addicionalment, el pipeline va ser validat amb 4 casos nous incorporats a la cohort, verificant el correcte funcionament de l'Índex de Maduresa Cerebral, el qual va classificar correctament la totalitat dels nounats preterme sans dins del rang de maduració esperada. Els resultats preliminars demostren que les característiques d'entropia multiescala proporcionen informació complementària als descriptors espectrals tradicionals, permetent una avaluació automatitzada de la maduresa cerebral clínicament viable amb potencial d'estandardització per a unitats de cures intensives neonatals. Aquests resultats Pág. 5 constitueixen una base prometedora per a futurs estudis de validació clínica prospectiva. |
|---|