Go to page
 

Bibliographic Metadata

Title
Assessment of automated EEG analysis and trending for critically ill patients / submitted by Johannes Herta
Additional Titles
Evaluierung der automatisierten Lanzeit-EEG Analyse bei kritisch kranken Patienten
AuthorHerta, Johannes Bernd
Thesis advisorGruber, Andreas ; Baumgartner, Christoph
Published2018
Descriptionxv, 83 Seiten : Illustrationen, Diagramme
Institutional NoteMedizinische Universität Wien, Diss., 2018
Annotation
Abweichender Titel laut Übersetzung der Verfasserin/des Verfassers
Date of SubmissionJune 2018
LanguageEnglish
Document typeDissertation (PhD)
Keywords (DE)Anfallserkennung / Kontinuierliches EEG / Computeralgorithmus / Intensivstation / Nicht-konvulsiver Status epilepticus / Nicht-konvulsive Anfälle / Trend
Keywords (EN)Seizure detection / Continuous EEG / Computer algorithm / Intensive Care Unit / Nonconvulsive status epilepticus / Nonconvulsive seizures / Trending
URNurn:nbn:at:at-ubmuw:1-18200 Persistent Identifier (URN)
Restriction-Information
 The work is publicly available
Files
Assessment of automated EEG analysis and trending for critically ill patients [5.46 mb]
Links
Reference
Classification
Abstract (German)

Durch die vermehrte Verwendung von kontinuierlicher EEG (cEEG) an einigen wenigen Zentren konnte gezeigt werden, dass der nicht-konvulsive Status epilepticus bei Intensivpatienten, die an einer neurologischen Grunderkrankung leiden, viel häufiger auftritt als noch vor Kurzem von der Fachwelt angenommen. Ob der nicht-konvulsive Status epilepticus dabei zu einer zusätzlichen zerebralen Schädigung führt, konnte bis heute noch nicht ausreichend nachgewiesen werden. Des Weiteren herrscht Unklarheit darüber, welche EEG Muster pathognomonisch als nicht-konvulsive Anfälle zu werten sind und wie aggressiv therapiert werden soll. Um diese Fragestellungen in Zukunft adäquat beantworten zu können bedarf es der vermehrten wissenschaftlichen Analyse von cEEG Daten in Zusammenschau mit klinischen Befunden. Doch die Verfügbarkeit von cEEG im klinischen Alltag ist meist nicht gegeben, da die sehr zeitaufwendige Analyse des Roh-EEG-Signals nur von Experten durchgeführt werden kann.

Um dieses Problem zu lösen, wurde „NeuroTrend“ entwickelt, ein mathematischer Algorithmus, welcher es ermöglicht, große Mengen von EEG Signalen komprimiert und mit einem Farbencode versehen, übersichtlich darzustellen. Im Rahmen dieser Arbeit wurde eine Evaluierung von NeuroTrend durchgeführt. Als Grundlage dafür dienten Langzeit-Video-EEG Aufnahmen wie auch klinische Daten von neurologisch schwer kranken Intensivpatienten. Primär wurde Version I.I von NeuroTrend getestet. Hierbei zeigten sich bereits gute Muster-Detektionsraten bei moderater Spezifität. Doch konnten wir z.B. bei der Lokalisationszuweisung von EEG Mustern auch gravierende Probleme aufzeigen, welche entscheidende Verbesserungen in nachfolgenden Versionen erfuhren. Um in der Zukunft eine kontinuierliche, effiziente und kostengünstige EEG Überwachung zu ermöglichen, wurde Pflegepersonal auf die Benutzung von NeuroTrend eingeschult. Die Möglichkeit Pflegekräfte einzusetzen, um bei auffälligen EEG Mustern einen Spezialisten zu alarmieren, wurde mittels Interrater-Reliabilitätsprüfung zwischen den Pflegekräften wie auch einem Experten überprüft. Hierbei zeigte sich ein ausreichendes Potential von NeuroTrend als Neuromonitor am Krankenbett, unter der Prämisse einer adäquaten Personaleinschulung. Neben der klinischen Anwendbarkeit des Programms wurde aber auch der Einsatz in der klinischen Forschung erprobt und demonstriert. Dabei nutzen wir die Vorteile des Algorithmus schnell, exakt und automatisiert EEG Signale verarbeiten zu können, um den Effekt der Elektrodenreduktion auf die Detektion von EEG Mustern zu analysieren.

Unsere prospektiv erhobenen Daten zeigen ein hohes Risiko von neurologischen Intensivpatienten nicht-konvulsive Anfälle zu erleiden. Einzige, aber aufwändige Detektionsmöglichkeit stellt dabei das cEEG dar. Diese Umstände werden in Zukunft dazu führen, dass der automatisierten Auswertung von EEG Signalen ein hoher Stellenwert zuteil wird, sei es im Bereich der Erforschung von pathologischen EEG Mustern und der Evaluierung von neuen Therapiemodalitäten oder aber im Bereich der klinischen Patientenüberwachung.

Abstract (English)

The increased use of continuous EEG (cEEG) in various medical centers has shown that nonconvulsive status epilepticus is much more common in intensive care patients with an underlying neurological disease than the professional world currently presumes. Whether nonconvulsive status epilepticus leads to additional cerebral injury has not yet been sufficiently demonstrated. Furthermore, it is unclear which EEG patterns are pathognomonic for nonconvulsive seizures and how aggressively these should be treated. To adequately answer these questions in the future, increased scientific effort in analyzing cEEG data together with clinical findings is needed. However, in everyday clinical practice, the availability of cEEG is not commonly given since the very time-consuming analysis of the raw EEG signal can, to date, only be carried out by EEG experts.

To solve this problem, "NeuroTrend", a mathematical algorithm, has been developed. The NeuroTrend algorithm allows compression and clear color-coded visualization of the EEG signal. In this work, an evaluation of NeuroTrend was carried out. Long-term video EEG recordings as well as clinical data from patients suffering from severe neurological injury provided a basis for further assessment. Primary version I.I of NeuroTrend was evaluated. Good pattern detection rates were shown with moderate specificity. However, we were also able to detect serious problems, such as a systematical failure in EEG pattern localization. These revelations led to significant improvements in subsequent versions of the algorithm.

To enable continuous, efficient, and cost-effective EEG monitoring in future clinical practice, nursing staff were trained to use NeuroTrend. The efficacy of employing nurses to alert a specialist to the presence of suspicious EEG patterns, was assessed by means of an interrater agreement between nurses and an EEG expert. NeuroTrend's potential as a bedside neuromonitoring device was demonstrated under the premise of adequate personnel training. In addition to the clinical applicability of the program, the use in clinical research was also tested and demonstrated. We used the advantages of the algorithm, to process EEG signals quickly, accurately and automatically, in order to analyze the effect of decremental EEG electrode reductions on the detection sensitivity of EEG patterns.

Our prospectively collected data shows that neuro intensive care patients have a high risk of developing nonconvulsive seizures. While laborious, cEEG is the sole detection option currently available. These combinations of circumstances will lead to a high priority for change to automated evaluations of EEG signals. Whether in the scientific field by studying possible pathological EEG patterns and evaluating new therapeutic modalities, or in the field of clinical patient monitoring, automated evaluation of EEG signals will take on a larger role in the future.

Stats
The PDF-Document has been downloaded 6 times.