Giorgio Chiesa
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.
Rel. Filippo Molinari. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Biomedica, 2022
|
Preview |
PDF (Tesi_di_laurea)
- Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives. Download (5MB) | Preview |
Abstract
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
Relatori
Anno Accademico
Tipo di pubblicazione
Numero di pagine
Corso di laurea
Classe di laurea
Aziende collaboratrici
URI
![]() |
Modifica (riservato agli operatori) |
