Un sistema de monitoreo de presión intracraneal no invasivo (nICP)

La lesión cerebral traumática (TBI, por sus siglas en inglés) es la causa más común de muerte y discapacidad en el grupo de edad menor de 40 años, tanto en el Reino Unido como en todo el mundo, y la prevalencia está aumentando. El pilar del manejo de TBI grave es la medición de la presión intracraneal (ICP). La PIC se define como la presión dentro del cráneo y el cerebro. La TBI a menudo provoca un aumento de la PIC a medida que el cerebro se hincha dentro del cráneo rígido y la terapia está dirigida a mantener esta presión en un nivel aceptable con medicamentos o cirugía. Una PIC muy alta puede provocar más daño cerebral, lo que resulta en una mayor discapacidad o la muerte.

Las técnicas existentes para medir la PIC implican colocar un sensor eléctrico en el tejido cerebral a través de un pequeño orificio perforado en el cráneo. Este procedimiento corre el riesgo de infección y sangrado en el cerebro y solo puede ser realizado por un neurocirujano. Por lo tanto, existe una demanda vital para desarrollar tecnologías no invasivas que permitan medir la PIC sin insertar un sensor en el cerebro. Esta tecnología disminuirá los riesgos, permitirá el monitoreo fuera del hospital (por ejemplo, en una ambulancia) y reducirá los costos. También aumentará la indicación de monitorización de la PIC para incluir otras condiciones (p. accidentes cerebrovasculares o tumores cerebrales) que actualmente no se controlan.

El monitor de PIC no invasivo (nICP) propuesto funciona iluminando el cerebro con una luz inofensiva a través del cráneo. El sensor desarrollado se adjuntó a la piel de la frente y registró señales ópticas (conocidas como fotopletismografía (PPG)) del cerebro, que están relacionadas con cambios en la PIC. Este piloto tiene como objetivo construir la primera base de datos clínica de señales nICP en pacientes de cuidados intensivos. La adquisición de un amplio conjunto de señales permitiría la generación de algoritmos avanzados y modelos de aprendizaje automático (ML) utilizando técnicas de extracción de características de señales ópticas. El modelo resultante se implementará al traducir las señales ópticas en mediciones absolutas de ICP.