Análisis de la Actividad Neuronal para Estimar la Profundidad Anestésica en Niños

Abstract

Dado que el cerebro es el órgano diana de muchos fármacos anestésicos, el interés por la monitorización de la electroencefalografía (EEG) para registrar la actividad eléctrica del cerebro durante estados cambiantes de consciencia ha crecido exponencialmente. Sin embargo, los actuales índices extrapolados de los registros de dichos monitores no son exactos en pacientes pediátricos al no haber sido diseñados para ese rango de edad. Una incorrecta monitorización de la profundidad anestésica puede conllevar graves complicaciones postoperatorias. Entre ellas destacan los Trastornos del Comportamiento en el Postoperatorio (TCPO), cuyas consecuencias son notorias sobre todo a nivel psicológico, como indicios de agresividad o ansiedad. Por ello, la monitorización de la población pediátrica antes y durante la intervención quirúrgica es especialmente relevante tanto para poder caracterizar la actividad neuronal durante la anestesia como para tratar de predecir la potencial aparición del TCPO. En este contexto, el objetivo de este Trabajo de Fin de Grado es doble: (i) caracterizar la actividad neuronal asociada al estado de consciencia reducida debido a la anestesia y (ii) diseñar y validar modelos de Machine Learning (ML) predictores de TCPO a corto y a medio plazo con variables extraídas del EEG, así como con variables clínicas y sociodemográficas. En este estudio, se analizaron señales de 100 pacientes pediátricos a los cuales se les sometió a una intervención quirúrgica. Para la adquisición de las señales se utilizó el sistema de monitorización SedLine®. Tras un exhaustivo preprocesado del EEG, se calcularon características espectrales y no lineales seleccionadas en base a estudios previos. Dentro de las variables espectrales, se incluyeron las potencias relativas (RP) en las bandas tradicionales de frecuencia del EEG, la frecuencia mediana (MF), la asimetría espectral (SA) y la entropía espectral (SE). Las variables no lineales calculadas fueron la entropía muestral (SampEn) y la complejidad de Lempel-Ziv (LZC). Todas estas variables fueron analizadas en tres estados operatorios: vigilia, anestesia y cirugía. Posteriormente, se llevó a cabo un análisis estadístico y se elaboraron redes de asociación para cada estado de anestesia entre las variables extraídas del EEG y las variables clínicas y sociodemográficas. Por último, se desarrollaron dos modelos de ML predictores de los TCPO a corto plazo (7 días) basados en regresión logística (LR) y análisis discriminante lineal (LDA) y otros dos para medio plazo (28 días). Los resultados mostraron diferencias significativas en todas las variables, con excepción de la RP en Delta-2, entre los estados de vigilia y anestesia (p < 0.05, test de Friedman y test de Wilcoxon). A diferencia de los resultados reportados en estudios previos en adultos, se evidenció una actividad neuronal más rápida, irregular y compleja durante la anestesia. En el análisis de asociación destacó una relación directa entre las variables clínicas y sociodemográficas con los TCPO a los 7 y 28 días en las tres fases. Sin embargo, se pudo observar una relación directa entre la RP de Delta-1 con los TCPO a corto plazo, lo que indica la importancia de la monitorización de la actividad neuronal preanestésica en la predicción del postoperatorio. Entre los modelos predictores validados, destacan los modelos de LR para predecir TCPO a los 7 días y a los 28 días. Estos modelos alcanzaron una precisión del 92% y 80%, respectivamente. Esta alta precisión se logró al incorporar, como entrada en los modelos, variables extraídas del EEG, junto con variables clínicas y sociodemográficas. Es crucial mencionar que la inclusión de las variables del EEG en estos modelos condujo a una significativa mejora en su capacidad predictiva. VI Los resultados alcanzados en este Trabajo de Fin de Grado muestran que la utilización del EEG de forma perioperatoria puede ayudar a caracterizar la profundidad anestésica de forma más exacta y efectiva. Esto podría ser útil principalmente en pacientes pediátricos, una de las poblaciones más vulnerables en cuanto a posibles consecuencias de una incorrecta dosificación anestésica. Asimismo, la utilización de modelos predictivos basados en ML para predecir complicaciones postoperatorias podría utilizarse en la clínica para orientar la atención médica postquirúrgica a minimizar las posibilidades de secuelas o trastornos postanestésicos.