Previsão Precoce de Delírio Através de Trajetórias EEG Seriadas e Aprendizagem Automática

Enquadramento e Fundamentação:

O delirium é uma manifestação crítica de disfunção cerebral aguda, afetando 10-15% de todos os pacientes hospitalizados e mais de 25% daqueles em unidades de cuidados intensivos (UCI). Na UCI de trauma, os pacientes são particularmente vulneráveis devido a uma cascata inflamatória resultante de cirurgias repetidas, rutura da barreira hematoencefálica, lesão cerebral traumática (TCE) e administração obrigatória de opioides. Apesar da sua importância clínica — incluindo aumento da mortalidade e défice cognitivo a longo prazo — a deteção precoce continua a ser um desafio. As ferramentas atuais à beira do leito, como o CAM-ICU, são limitadas pela sua natureza periódica e dependência da perícia clínica, muitas vezes não captando as flutuações neurofisiológicas rápidas que definem o delirium.

Objetivos e Metodologia do Estudo:

Embora estudos anteriores tenham usado a eletroencefalografia (EEG) como uma "fotografia" para identificar o delirium, tais abordagens transversais frequentemente refletem a profundidade transitória da sedação em vez da verdadeira vulnerabilidade neurocognitiva. Este estudo propõe uma abordagem longitudinal, focando na trajetória de mudança na dinâmica cortical ao longo do tempo.

Adquirimos EEG em repouso, breve e em série, três vezes por dia durante pelo menos três dias consecutivos, de pacientes críticos de trauma. Utilizando uma montagem frontal viável, quantificámos um conjunto abrangente de características, incluindo potência espectral (abrandamento), complexidade não linear e conectividade funcional baseada em fase.

Hipótese de Investigação:

A estrutura utiliza aprendizagem automática (AA) para aproveitar estas trajetórias longitudinais, com o objetivo de prever a vulnerabilidade ao delirium antes do diagnóstico clínico formal. Além disso, hipotetizamos que os registos com os olhos abertos — ao imporem uma restrição mínima de alerta — captarão melhor a integridade da rede em vigília e fornecerão um poder preditivo superior em comparação com os registos tradicionais de olhos fechados, que são frequentemente confundidos pela sedação e sonolência no ambiente da UCI de trauma.

Impacto Clínico:

Ao identificar a condição de registo ideal e estabelecer uma estrutura de previsão baseada em AA, este estudo procura definir uma estratégia padronizada de monitorização neurofisiológica. Isto facilitará, em última análise, a intervenção precoce e melhorará o prognóstico neurológico a longo prazo dos sobreviventes de trauma grave.