Predizione Precoce del Delirio Mediante Traiettorie EEG Seriali e Apprendimento Automatico

Contesto e Razionale:

Il delirium è una manifestazione critica della disfunzione cerebrale acuta, che colpisce il 10-15% di tutti i pazienti ospedalizzati e oltre il 25% di quelli nelle unità di terapia intensiva (UTI). Nell'UTI di traumatologia, i pazienti sono particolarmente vulnerabili a causa di una cascata infiammatoria derivante da interventi chirurgici ripetuti, compromissione della barriera emato-encefalica, trauma cranico (TBI) e somministrazione obbligatoria di oppioidi. Nonostante la sua rilevanza clinica - inclusa una maggiore mortalità e compromissione cognitiva a lungo termine - la rilevazione precoce rimane difficile. Gli attuali strumenti al letto del paziente come il CAM-ICU sono limitati dalla loro natura periodica e dalla dipendenza dall'esperienza del clinico, spesso mancando le rapide fluttuazioni neurofisiologiche che definiscono il delirium.

Obiettivi dello Studio e Metodologia:

Mentre studi precedenti hanno utilizzato l'elettroencefalografia (EEG) come "istantanea" per identificare il delirium, tali approcci trasversali spesso riflettono una profondità sedativa transitoria piuttosto che una vera vulnerabilità neurocognitiva. Questo studio propone un approccio longitudinale, concentrandosi sulla traiettoria del cambiamento nella dinamica corticale nel tempo.

Abbiamo acquisito brevi EEG seriali a riposo tre volte al giorno per almeno tre giorni consecutivi da pazienti traumatizzati gravi. Utilizzando un montaggio frontale fattibile, abbiamo quantificato un set completo di caratteristiche, inclusa la potenza spettrale (rallentamento), la complessità non lineare e la connettività funzionale basata sulla fase.

Ipotesi di Ricerca:

Il quadro utilizza l'apprendimento automatico (ML) per sfruttare queste traiettorie longitudinali, mirando a prevedere la vulnerabilità al delirium prima della diagnosi clinica formale. Inoltre, ipotizziamo che le registrazioni a occhi aperti - imponendo un vincolo minimo di arousal - cattureranno meglio l'integrità della rete vigile e forniranno un potere predittivo superiore rispetto alle tradizionali registrazioni a occhi chiusi, che sono spesso confuse da sedazione e sonnolenza nell'ambiente dell'UTI di traumatologia.

Impatto Clinico:

Identificando la condizione di registrazione ottimale e stabilendo un quadro di previsione basato su ML, questo studio cerca di definire una strategia standardizzata di monitoraggio neurofisiologico. Questo alla fine faciliterà l'intervento precoce e migliorerà la prognosi neurologica a lungo termine dei sopravvissuti a traumi gravi.