Gefördert vom FWF Programm Klinische Forschung
PI: Vito Giordano
Projekt Nr. FWF KLI 1016
Laufzeit 2022-2025
Theoretischer Hintergrund: Mehrere klinische Faktoren könnten die Gehirnentwicklung bei Frühgeborenen beeinflussen. Diese Patienten sind nämlich während ihres gesamten Krankenhausaufenthalts einer Vielzahl von Eingriffen ausgesetzt. Der Einsatz von schmerzlindernden und beruhigenden Medikamenten ist unerlässlich, um ihnen ein Höchstmaß an Komfort zu bieten. Die Verabreichung solcher Medikamente wird jedoch durch den physiologischen Reifegrad und die Tatsache erschwert, dass sich diese spezielle Patientengruppe noch in einem präverbalen Entwicklungsstadium befindet. Objektive Methoden wie ein konventionelles EEG könnten helfen, mehr über den Grad der Sedierung eines Säuglings zu erfahren. Ihre Auswertung ist jedoch zeitaufwändig und erfordert ein gewisses Maß an Fachwissen. Heute können neue Methoden eingesetzt werden, um wichtige EEG-Merkmale automatisch zu erkennen. Das maschinelle Lernen gibt uns die Möglichkeit, wichtige EEG-Trends zu erkennen, die dann vom Pflegeteam leichter interpretiert werden können.
Hypothesen: Das übergeordnete Ziel dieser Studie ist es, Deep-Machine-Learning-Algorithmen für die Interpretation plötzlicher Veränderungen der EEG-Hintergrundaktivität im Zusammenhang mit der Verabreichung von Sedierung zu verwenden und automatische EEG-Hintergrundveränderungen im Zusammenhang mit der Sedierung mit der klinischen Einschätzung der Sedierung zu kontextualisieren, die durch die Bewertung der Neonatal, Pain, Agitation and Sedation Scale (N-PASS) ausgedrückt wird.
Methoden: In dieser Studie werden 50 Frühgeborene prospektiv rekrutiert, die sich klinischen Eingriffen unterziehen, für die eine kurzzeitige Sedierung erforderlich ist (z. B. zentraler Venenkatheter). Sowohl die Abweichung vom tatsächlichen Gestationsalter als auch die IBI-Dauer werden verwendet, um Veränderungen in den EEG-Hintergrundaktivitäten während der Sedierung zu verstehen. Darüber hinaus werden die Trend-EEG-Parameter mit der klinischen Expertenmeinung zum Grad der Sedierung korreliert, die mit dem N-PASS gemessen wird.
Grad der Originalität: Das in diesem Projekt behandelte Thema ist von herausragender Bedeutung für die Neonatologie, da die Verwendung automatischer EEG-Trends für die automatische Erkennung kritischer neurologischer Ereignisse nützlich sein könnte, um die Verabreichung von Sedierungsmitteln bei kritisch kranken Säuglingen zu bewerten und zu verbessern.
Bisherige Publikationen in diesem Projekt:
Stevenson NJ, Nordvik T, Espeland CN, Giordano V, Moltu SJ, Larsson PG, Klebermaß-Schrehof K, Stiris T, Vanhatalo S (2023) Inter-site generalizability of EEG based age prediction algorithms in the preterm infant. Physiological Measurement 44:07NT01. DOI: 10.1088/1361-6579/ace755.