Event detection in preterm electroencephalography

Abstract

Preterm infants may spend months in neonatal intensive care units (NICU). Progress in neurological care of these infants depends on the ability to adequately monitor brain activity during NICU treatment. Brain monitoring is most commonly performed using electroencephalography (EEG). The preterm EEG signals are qualitatively different from EEG signals of older individuals, their distinguishing characteristics are the intermittently occurring spontaneous activity transients (SAT), which are believed to be crucial to early brain development. Automated detection of SATs might offer new tools for a neuroscientifically reasoned monitoring of infant brain in the NICU.

In this Thesis, a commercially available algorithm was tested for its applicability in detecting SATs. Because the algorithm was found to be suboptimal, an improved algorithm was developed and its parameters were optimized. Optimization and validation were done systematically, using a gold standard composed of unanimous detections by three human raters. The optimized algorithm was then used to calculate event-based measures in two clinical studies, one studying SAT occurrence in sleep stages, and the other comparing brain activity to structural brain growth.

In leave-one-out crossvalidation, the optimized algorithm showed excellent performance (sensitivity 96.6±2.8 %, specificity 95.1±5.6 %). In the clinical studies conducted, the proportion of EEG covered by SATs (SAT%) was shown to differ between sleep states, providing a possibility for developing an EEG-based measure of brain activity cycling in preterm infants. Finally, brain activity indices derived from EEG recordings shortly after birth were shown to correlate with subsequent structural growth of the brain during preterm life. The findings together show that an SAT event detector can be constructed for the brain monitoring in NICU, and that indices based on event detection may offer important insight to brain function in the clinical research.

Keskosten hoito vastasyntyneiden teho-osastolla saattaa kestää kuukausia. Keskosten neurologisen hoidon kehittämisen kannalta on ensiarvoisen tärkeää, että aivojen toimintaa voidaan monitoroida asianmukaisesti hoidon aikana. Yleisin aivojen monitorointiin käytetty menetelmä on elektroenkefalografia (EEG). Keskosten EEG-signaalit eroavat laadullisesti vanhempien yksilöiden signaaleista. Niille tunnusomaisia ovat epäsäännöllisin välein ilmenevät spontaanit aktiviteettipurskeet (spontaneous activity transient, SAT), joiden uskotaan olevan korvaamattomia varhaiselle aivojen kehitykselle. Aktiviteettipurskeiden automaattinen tunnistus saattaisi tarjota uusia neurotieteellisesti perusteltuja välineitä vauvan aivojen monitorointiin vastasyntyneiden teho-osastolla. Tässä väitöskirjatyössä testattiin erään kaupallisesti saatavilla olevan algoritmin soveltuvuutta aktiviteettipurskeiden tunnistukseen. Testeissä havaittiin, että algoritmi ei ollut tarkoitukseen optimaalinen, ja tästä syystä tunnistukseen kehitettiin uusi algoritmi, jonka parametrit optimoitiin. Optimointi ja validointi tehtiin järjestelmällisesti, hyödyntäen vertailuaineistona vain sellaisia EEG-jaksoja, jotka kolme asiantuntijaa olivat luokitelleet samalla tavoin. Optimoitua algoritmia käytettiin sitten tapahtumapohjaisten muuttujien laskemiseen kahdessa kliinisessä tutkimuksessa, joista toisessa tutkittiin aktiviteettipurskeiden esiintymistä eri univaiheissa ja toisessa vertailtiin aivotoiminnan aktiivisuutta aivojen rakenteelliseen kasvuun. Optimoidun algoritmin suorituskyky todettiin ristiinvalidoinnissa erinomaiseksi (sensitiivisyys 96,6±2,8%, spesifisyys 95,1±5,6%). Sillä tehdyissä kliinisissä tutkimuksissa osoitettiin, että aktiviteettipurskeiden osuus EEG:stä (SAT%) on erilainen eri univaiheissa. Tulos tarjoaa mahdollisuuden kehittää EEG:hen pohjautuva muuttuja keskosten aivojen aktiivisuuden jaksottaisen vaihtelun tutkimiseen. Lopuksi osoitettiin, että pian syntymän jälkeen tehdyistä EEG-mittauksista lasketut aivojen aktiivisuutta kuvaavat muuttujat korreloivat aivojen rakenteellisen kasvun kanssa keskosaikana. Tulokset osoittavat, että aktiviteettipurskeiden automaattinen tunnistus on mahdollista ja sitä voidaan käyttää aivojen toiminnan monitorointiin vastasyntyneiden teho-osastolla. Tunnistukseen pohjautuvat muuttujat voivat kliinisessä tutkimuksessa antaa tärkeää uutta ymmärrystä aivojen toiminnasta.