Metodi di machine learning per la refertazione automatica di EEG in pazienti con gravi cerebrolesioni acquisite = Machine learning methods for the automated EEG reporting in patients with severe acquired brain injuries

Negli ultimi anni, i miglioramenti nel trattamento dei pazienti con grave cerebrolesione acquisita (GCA) hanno notevolmente aumentato le loro possibilità di sopravvivenza. Tra questi, un numero cospicuo di pazienti può sviluppare un disturbo della coscienza (DoC). La Coma Recovery Scale-Revised (CRS-R) è stata identificata come punto di riferimento standard per la valutazione clinica della coscienza in questi pazienti. Tuttavia, un’alta variabilità inter-operatore, fluttuazioni circadiane dei livelli di vigilanza e problemi di comunicazione sono notoriamente associati a errori nella diagnosi. L’analisi strumentale, ad esempio mediante elettroencefalografia costituisce una possibile strada per porre rimedio a questo problema. Hirsch e colleghi hanno proposto una terminologia standard per la refertazione di elettroencefalogrammi (EEG) durante la Critical Care. Ciononostante, la refertazione dei tracciati secondo tale terminologia richiede un’analisi attenta e accurata di una registrazione EEG di almeno 15 minuti. Questo lavoro di tesi si propone di studiare, sviluppare e validare un software per la refertazione automatica dei descrittori di Hirsch (frequenza, voltaggio, simmetria, gradiente antero-posteriore, anomalie lente delta, grafo-elementi epilettici) basato su metodi di machine learning. A partire da un dataset contenente 621 registrazioni EEG di pazienti con GCA, sono state estratte features nel dominio del tempo e della frequenza. Tramite quest’ultime, 9 tipologie di modelli sono stati allenati, validati e testati con un approccio di cross-validazione annidata. Sono state applicate quando necessario tecniche di i) ricampionamento, ii) selezione di features, iii) riduzione della dimensionalità e la soluzione più performante per ogni descrittore ha raggiunto un’accuratezza sul test superiore all’80%. È stata quindi realizzata un’interfaccia grafica per testare nuovi pazienti utilizzando i migliori modelli ottenuti. Questa consiste in una web-app che guida l’utente nel caricamento di un nuovo segnale, viene analizzato e infine classificato in modo autonomo. I risultati vengono espressi sia tramite testo, sia rappresentando la probabilità a posteriori del risultato di classificazione, sia tramite immagini topografiche del voltaggio e della potenza relativa nelle bande delta, teta e alpha. Il sistema sviluppato dimostra come algoritmi di machine learning possano fornire un supporto fondamentale nella diagnosi automatica in pazienti con GCA, riducendo i costi e tempi di refertazione, mantenendo una qualità di cura elevata. Le accuratezze riscontrate nella soluzione proposta rientrano nell’intervallo della variabilità inter-operatore per la refertazione dei descrittori sopramenzionati, confermando la validità e l’usabilità dell’algoritmo in relazione a un parere neurofisiopatologico. Un ulteriore vantaggio della soluzione proposta consiste nel fatto che i segnali provengono da un ambiente clinico di routine, registrate con il sistema 10-20, senza utilizzo di canali ECG/EOG e senza l’analisi delle componenti indipendenti, rendendo il set-up clinico/sperimentale facilmente riproducibile. In ultimo, è importante sottolineare che tali soluzioni automatiche potranno in futuro estendere l’accessibilità di questo tipo di refertazione avanzata dei tracciati EEG, permettendone l’uso anche in contesti quali gli ospedali in paesi in via di sviluppo che spesso non possono avvalersi di personale specializzato e formato.