EEG néonatal classé selon la sévérité des anomalies de fond en cas d'hypoxie

Données scientifiques volume 10, Numéro d'article : 129 (2023) Citer cet article

1125 accès

3 Altmétrique

Détails des métriques

Ce rapport décrit un ensemble d'enregistrements d'électroencéphalogramme néonatal (EEG) classés en fonction de la gravité des anomalies du motif de fond. L'ensemble de données se compose de 169 heures d'EEG multicanaux de 53 nouveau-nés enregistrés dans une unité de soins intensifs néonatals. Tous les nouveau-nés ont reçu un diagnostic d'encéphalopathie hypoxique-ischémique (EHI), la cause la plus fréquente de lésions cérébrales chez les nourrissons nés à terme. Pour chaque nouveau-né, plusieurs époques d'une heure d'EEG de bonne qualité ont été sélectionnées puis classées pour les anomalies de fond. Le système de notation évalue les attributs EEG tels que l'amplitude, la continuité, le cycle veille-sommeil, la symétrie et la synchronie, et les formes d'onde anormales. La sévérité de fond a ensuite été classée en 4 grades : EEG normal ou légèrement anormal, EEG modérément anormal, EEG majoritairement anormal et EEG inactif. Les données peuvent être utilisées comme ensemble de référence d'EEG multicanaux pour les nouveau-nés atteints d'EHI, à des fins de formation EEG ou pour développer et évaluer des algorithmes de classement automatisés.

Une diminution de l'apport d'oxygène ou du flux sanguin vers le cerveau au moment de la naissance peut provoquer des lésions cérébrales. Les nourrissons peuvent développer une encéphalopathie appelée encéphalopathie hypoxique-ischémique (EHI), qui est la principale cause de décès et d'invalidité chez les nouveau-nés à terme. Les taux d'incidence de l'EHI sont d'environ 2 pour 1 000 accouchements dans les pays à revenu élevé avec des taux plus élevés dans les pays à revenu faible à intermédiaire1. L'EHI peut entraîner la mort néonatale ou des troubles neurologiques et neurodéveloppementaux importants tels que la paralysie cérébrale, l'épilepsie ou des troubles d'apprentissage2. HIE est une lésion cérébrale évolutive. La lésion primaire est suivie d'une phase latente qui dure environ 6 heures. Ceci est suivi par la phase de blessure secondaire, une phase retardée de mort cellulaire programmée. L'hypothermie thérapeutique est la seule intervention disponible pour les nourrissons atteints d'EHI modéré à sévère et elle doit être instaurée avant le début de la phase secondaire de la lésion pour être efficace.

L'électroencéphalogramme (EEG) permet une surveillance continue de la fonction cérébrale. Une agression hypoxique-ischémique peut altérer le schéma de fond normal de l'EEG, fournissant un aperçu unique du dysfonctionnement cérébral3. Cet écart par rapport au fond EEG normal est associé à des résultats neurodéveloppementaux défavorables4,5,6. Comme l'EEG est une mesure précieuse de la gravité de l'encéphalopathie en cours, il peut être particulièrement bénéfique lorsqu'il est commencé dans la phase primaire de la blessure pour aider à déterminer quels nourrissons peuvent bénéficier d'une hypothermie thérapeutique7.

L'examen de l'EEG nécessite une expertise spécialisée qui n'est pas toujours disponible dans les unités de soins intensifs néonatals. Les méthodes informatisées ont le potentiel d'automatiser le processus de classement de l'activité EEG de fond en fonction de la gravité de la blessure. Ces méthodes automatisées pourraient produire une mesure objective continue de l'activité EEG qui pourrait être facilement mise à l'échelle pour surveiller un volume élevé de nouveau-nés, bien au-delà de ce qui serait humainement possible. De nombreuses méthodes ont été développées pour générer des systèmes de notation de fond8,9,10,11,12,13,14,15,16,17. Cet ensemble de travaux existants met en évidence le potentiel des méthodes de traitement du signal et d'apprentissage automatique pour construire des classificateurs précis de l'EEG de fond. Malgré ces progrès significatifs, davantage peut être fait dans ce domaine. Jusqu'à présent, les progrès ont été limités à des groupes de recherche individuels poursuivant des approches différentes. La comparaison des méthodes est difficile pour de nombreuses raisons17, notamment l'absence d'un système de notation standard accepté3 et de données EEG librement disponibles. Dans le but de remédier à certaines de ces limitations - et inspirés par le succès d'un ensemble de données EEG néonatales en libre accès avec annotations18 - nous présentons un ensemble de données EEG en libre accès enregistrées dans les premiers jours après la naissance pour les nourrissons avec un diagnostic HIE. Plusieurs époques EEG d'une heure pour chaque nourrisson ont été classées en fonction de la gravité de l'anomalie de fond. Ces données pourraient être utilisées pour développer de nouveaux algorithmes ou comparer ceux qui existent déjà. Les données pourraient également être utilisées pour aider à la formation de l'examen de l'EEG néonatal de fond.

Un sous-ensemble d'enregistrements EEG a été récupéré à partir des données recueillies lors d'un essai de dispositif médical. L'investigation clinique a évalué l'efficacité d'un algorithme d'apprentissage automatique pour détecter les crises19,20. Les nouveau-nés qui ont été cliniquement déterminés comme étant à risque de convulsions, avec un âge gestationnel compris entre 36 et 44 semaines, et admis à l'unité néonatale de soins intensifs (USIN) ont été considérés pour inclusion dans l'étude. Après le consentement écrit et éclairé d'un tuteur ou d'un parent, les nouveau-nés ont été inscrits sur une période allant de janvier 2011 à février 2017. Les données ont été recueillies dans 8 centres néonataux en Irlande, aux Pays-Bas, en Suède et au Royaume-Uni.

Dans le cadre de l'essai du dispositif médical, 472 nouveau-nés ont été recrutés20. Dans ce groupe, 284 nouveau-nés ont été sélectionnés avec un diagnostic clinique d'EHI et un enregistrement EEG valide d'au moins 6 heures. Dix-huit nourrissons ont été exclus en raison d'un diagnostic combiné, 68 ont été retenus pour un futur ensemble de validation pour le développement d'un algorithme EEG, et 17 ont été exclus parce que l'EEG n'a pas commencé dans les 48 heures après la naissance. Sur les 181 restants, nous n'avons inclus que 54 nouveau-nés pour lesquels nous avions l'autorisation de partager les données. C'est-à-dire les EEG qui ont été enregistrés à la maternité de l'hôpital universitaire de Cork, en Irlande. Après un examen plus approfondi de l'EEG, un autre nouveau-né a été exclu en raison de la faible qualité de l'enregistrement EEG. Pour cette cohorte de 53 nouveau-nés, l'âge gestationnel médian était de 40 semaines, la plupart étaient des hommes (62 %) et la plupart (58 %) ont reçu une hypothermie thérapeutique, comme présenté dans le tableau 1.

L'étude visant à collecter des données EEG à la maternité de l'université de Cork a été approuvée par le comité de recherche éthique de Cork. Le même comité d'éthique a également approuvé la diffusion en libre accès des enregistrements EEG entièrement et irrévocablement anonymisés. L'autorisation de partager les données a été obtenue auprès du responsable de la protection des données de l'University College Cork, Irlande.

L'EEG a été enregistré dès que possible après la naissance pendant une période prolongée jusqu'à 100 heures après la naissance. Deux appareils EEG ont été utilisés, le moniteur NicoletOne ICU (Natus, Middleton, WI, USA) pour 24 nouveau-nés et le Neurofax EEG-1200 (Nihon Kohden, Tokyo, Japon) pour 29 nouveau-nés. L'EEG a été échantillonné à une fréquence de 256 Hz (NicoletOne) et 200 Hz (Neurofax). Des électrodes jetables ont été placées sur les régions centrale (C3 et C4), frontale (F3 et F4), occipitale (O1 et O2) et temporale (T3 et T4) et sur la ligne médiane (Cz), en utilisant une version réduite des 10 :20 système international20. L'EEG a été enregistré par rapport à un canal de référence : une moyenne entre C3 et C4 pour les enregistrements Neurofax et FCz, un placement médian entre Fz et Cz, pour les enregistrements NicoletOne.

L'EEG a été exporté du format propriétaire des machines NicoletOne et Neurofax vers le format ouvert European Data Files (EDF) et stocké en toute sécurité pour une analyse hors ligne. Toutes les données ont été entièrement anonymisées. Pour chaque nouveau-né, un maximum de 5 époques d'une heure ont été supprimées de l'enregistrement EEG continu. Les artefacts ne sont pas rares dans les EEG de longue durée enregistrés dans un environnement de soins intensifs occupé. Les époques ont été sélectionnées pour éviter autant d'artefacts que possible et pour toutes les époques, la majorité de l'époque était exempte d'artefacts. Ils ont été répartis dans le temps sur toute la durée de l'enregistrement continu mais limités aux 48 premières heures après la naissance. Au total, 169 époques, d'une durée d'exactement 60 minutes, ont été incluses dans l'ensemble de données. Le nombre médian d'époques par nouveau-né était de 3, avec un intervalle interquartile de 2 à 4. La figure 1a illustre la distribution des époques par nouveau-né.

Répartition des époques EEG. Cent soixante-neuf périodes d'une heure ont été découpées à partir d'enregistrements EEG continus de 53 nouveau-nés. Répartition des époques par bébé en (a) et des grades d'encéphalopathie hypoxique-ischémique EEG (HIE) en (b). Certains nouveau-nés ont plus d'un grade à travers les époques : (c) illustre la distribution de toutes les combinaisons possibles d'ensembles de grades par nouveau-né.

Deux physiologistes cliniciens experts en EEG néonatal (auteurs SRM et GBB) ont évalué indépendamment chaque époque en utilisant un schéma de classification EEG couramment utilisé6,8,9,16. Le tableau 2 donne un aperçu de ce système de notation. Lorsque les notes étaient en désaccord entre les 2 experts, ils ont examiné conjointement l'époque et ont décidé d'une note consensuelle. Le système de notation comprend des mesures de divers degrés d'activité discontinue, des schémas normaux et anormaux, de la symétrie et de la synchronie de l'activité à travers les hémisphères, et de la qualité ou de l'absence de cycle veille-sommeil. Les détails complets du système de classement peuvent être trouvés dans Murray et al.6. Bien que les crises ne fassent pas partie du système de classement, certaines époques contenaient des crises de courte durée. En raison de la nature de courte durée de ces crises par rapport à l'époque d'une heure, il y avait suffisamment d'activité de fond pour attribuer une note qui n'était pas uniquement basée sur la présence de crises. Le grade 0 (EEG normal) et le grade 1 (EEG légèrement anormal) ont été combinés en un nouveau grade 1, pour représenter à la fois l'EEG normal et légèrement anormal. La répartition de ces 4 grades pour les 169 époques est illustrée à la Fig. 1b. La grande majorité des époques sont de grade 1 : 104 pour le grade 1, 31 pour le grade 2, 22 pour le grade 3 et 12 pour le grade 4. Tous les nouveau-nés n'avaient pas le même grade à toutes les époques, comme illustré à la Fig. 1c. L'ensemble de notes le plus courant était {1} (n = 25), suivi de {1, 2} (n = 10) et {1, 2, 3} (n = 4). Un nouveau-né avait les 4 grades sur 5 époques. Des exemples de segments EEG pour chaque grade sont présentés à la Fig. 2.

Exemples de différents grades EEG. Trente-six secondes d'EEG de différents nouveau-nés. (a) EEG normal ou légèrement anormal (grade 1); (b) EEG modérément anormal (grade 2); (c) anomalies majeures (grade 3); (d) EEG inactif (grade 4). Les intervalles inter-rafales (IBI) sont annotés dans les exemples de grade 2 et de grade 3. Tous les EEG sont en montage bipolaire, tracés avec la même échelle de temps et d'amplitude, et filtrés en bande passante de 0,3 à 35 Hz.

Les données EEG avec des notes pour chaque époque sont disponibles sur Zenodo (https://doi.org/10.5281/zenodo.7477575)21. Les données sont fournies sous forme de fichiers EDF et de fichiers compressés à valeurs séparées par des virgules (CSV). Les fichiers EDF sont stockés dans le dossier EDF_format/ et les fichiers CSV sont stockés dans le dossier CSV_format/. Chaque époque d'une heure est stockée dans un fichier séparé, en utilisant la convention de nom de fichier IDXX_epochY. Par exemple, le fichier ID10_epoch3 est la 3ème époque pour bébé 10. Un fichier séparé appelé eeg_grades.csv, au format CSV, contient les notes attribuées à chaque époque. Un autre fichier CSV (metadata.csv) contient des informations supplémentaires sur les époques : une description de la qualité de l'EEG, la présence ou non de crises, l'électrode de référence utilisée dans l'enregistrement et la fréquence d'échantillonnage.

L'EEG a été enregistré conformément aux normes cliniques de l'USIN. Les époques d'EEG ont été sélectionnées pour être de haute qualité, avec un artefact réduit. Cependant, comme ces EEG sont enregistrés dans un environnement de soins intensifs très fréquenté, ils ne sont pas complètement exempts d'artefacts. La figure 3 montre un exemple de certains artefacts. Les types d'artefacts varient selon l'origine biologique, tels que les artefacts de sueur, les muscles ou la respiration ; aux artefacts d'origine non biologique, tels que les interférences d'alimentation électrique de 50 Hz provenant d'appareils à proximité. Des vérifications périodiques de l'impédance des électrodes provoquent une pause de l'enregistrement EEG, entraînant des périodes d'EEG plat, proche de zéro. La durée médiane du tracé plat dans les époques de 60 minutes était de 0,7 seconde, avec une plage interquartile de 0,4 à 1,0 seconde et une plage de 0 à 431,1 secondes.

Exemples d'artefacts EEG typiques. Trente-six secondes d'EEG de différents nouveau-nés. Segment EEG avec (a) artefact de mouvement de grande amplitude (EEG de grade 1); (b) artéfact de la sueur (également EEG de grade 1); (c) artéfact ECG sur C4–O2 et C4–T4 et artéfact musculaire à haute fréquence, le plus important sur F3–C3 (EEG de grade 3); ( d ) artefact de respiration à travers les canaux de l'hémisphère gauche, clairement visible sur C3 – O1 (grade 4 EEG). Tous les EEG sont en montage bipolaire et filtrés passe-bande de 0,1 à 35 Hz.

Dans le cadre d'un contrôle de qualité de l'enregistrement EEG, nous comparons la puissance EEG aux fréquences inférieures et supérieures. L'activité à basse fréquence est une mesure de l'activité corticale alors que la fréquence plus élevée est peu susceptible de mesurer l'activité corticale et plus susceptible d'être rien de plus que le bruit de fond18. Nous calculons la puissance par canal sur le montage bipolaire F3–C3, T3–C3, O1–C3, C3–Cz, Cz–C4, F4–C4, T4–C4 et O2–C4. Chaque canal est filtré passe-bande avec un filtre à réponse impulsionnelle infinie (IIR), un filtre Chebyshev de type II d'ordre 21. La puissance est ensuite calculée dans les bandes passantes 0,5 à 16 Hz (basse fréquence) et 77 à 99 Hz (haute fréquence). La puissance médiane, toutes époques confondues, pour la bande basse fréquence est de 175,4 μV2 (intervalle interquartile, IQR : 83,7 à 419,8 μV2) et de 8,4 μV2 (IQR : 1,6 à 36,2 μV2) pour la bande de fréquence supérieure. Ainsi, nous constatons que nos estimations du bruit de fond sont considérablement inférieures à l'enregistrement de l'activité cérébrale EEG.

Ensuite, pour valider davantage la qualité technique de l'EEG, nous avons calculé la réponse en fréquence pour toutes les époques et généré un ensemble de caractéristiques EEG quantitatives (qEEG)22,23. Les densités spectrales de puissance (PSD) ont été estimées à l'aide de la méthode de Welch avec une fenêtre de Hamming de 8 secondes et un chevauchement de 75 %. Les PSD ont été calculées par canal en utilisant le même montage bipolaire décrit précédemment. L'estimation de chaque canal est ensuite moyennée sur les 8 canaux pour l'époque d'une heure. La figure 4 résume les PSD pour toutes les époques par niveau. Les grades 1 à 3 indiquent une réponse en fréquence log-log linéaire, connue sous le nom de réponse en loi de puissance, conformément à la compréhension actuelle de l'EEG néonatal10,22,24,25. Pour la 4e année, la réponse semble plus non linéaire, mais le nombre inférieur d'époques dans ce groupe (12, comparativement à 23, 31 et 105) peut être un facteur ici.

Spectres tracés sur une échelle log-log à partir des époques pour chaque grade (a) et une moyenne générale pour toutes les époques (b). Les lignes épaisses représentent la valeur médiane à toutes les époques, et les zones ombrées représentent la plage interquartile en (a) et (b) et la plage du 95e centile en (b). Il y a 104 époques pour le grade 1, 31 pour le grade 2, 22 pour le grade 3 et 12 pour le grade 4.

L'ensemble de fonctionnalités qEEG se composait de 5 fonctionnalités : puissance spectrale, distance-EEG (rEEG), cohérence interhémisphérique, dimension fractale et fréquence limite spectrale22,23. Les caractéristiques sont estimées en utilisant le même montage bipolaire décrit précédemment. Les caractéristiques de puissance et de cohérence spectrales sont générées séparément dans 4 bandes de fréquences : delta (0,5–4 Hz), thêta (4–7 Hz), alpha (7–13 Hz) et bêta (13–30 Hz). Le rEEG est calculé dans la bande passante de 1 à 20 Hz et évalué aux marges inférieure, médiane et supérieure23. La cohérence interhémisphérique est une valeur moyenne de cohérence calculée entre les paires de canaux suivantes : F3–C3 et F4–C4, T3–C3 et T4–C4, et O1–C3 et O2–C4. La puissance spectrale, la cohérence, la dimension fractale et la fréquence de bord spectral (95 %) sont estimées sur un segment d'EEG de 64 secondes avec un chevauchement de 50 %. La valeur médiane de tous les segments est utilisée pour résumer la caractéristique sur l'époque d'une heure. Toutes les fonctionnalités, à l'exception de la cohérence, sont estimées canal par canal et résumées par la valeur médiane sur l'ensemble des canaux. Les fonctionnalités ont été générées à l'aide de la boîte à outils NEURAL (https://github.com/otoolej/qEEG_feature_set, version 0.4.4).

La figure 5 trace la distribution des 5 caractéristiques, mettant en évidence les différences pour de nombreuses caractéristiques à travers les 4 niveaux. Le rEEG de la Fig. 5a, une mesure de la tension crête à crête, montre une diminution de l'amplitude de l'EEG à travers les 4 grades, la différence entre les grades étant particulièrement prononcée dans la caractéristique rEEG médiane. De même, la différence de puissance spectrale pour les 4 niveaux sur les 4 bandes de fréquences est évidente sur la figure 5b. Une cohérence interhémisphérique significative, bien que de faible valeur, est présente sur les 4 bandes de fréquences, avec des niveaux de cohérence plus élevés dans la bande delta (0,5–4 Hz) par rapport aux 3 autres bandes de fréquences. Les tracés de la dimension fractale et de la fréquence spectrale des bords indiquent une différence de forme spectrale pour les notes, sous la forme d'une pente décroissante des spectres log-log avec des notes croissantes.

Mesures quantitatives récapitulatives de l'EEG pour les 4 grades HIE-EEG. Trois mesures récapitulatives de la portée-EEG (rEEG) en (a), de la puissance spectrale en (b), de la cohérence inter-hémisphérique en (c), de la dimension fractale en (d) et de la fréquence spectrale de bord en (e). Les caractéristiques de puissance et de cohérence spectrales sont calculées pour 4 bandes de fréquences différentes.

Les fichiers EEG sont stockés au format EDF et CSV. Le format EDF a été développé en 1992 pour les fichiers EEG du sommeil et est resté un format ouvert standard pour les fichiers EEG26. Les fichiers EDF peuvent être consultés dans la plupart des logiciels de révision EEG, y compris les versions gratuites telles que EDFbrowser (https://www.teuniz.net/edfbrowser/). Le format stocke les données dans des entiers 16 bits et sera donc probablement converti en nombres à virgule flottante 64 bits avant l'analyse ou l'affichage des données. Le stockage de l'EEG dans des entiers 16 bits réduit la taille du fichier par rapport aux nombres à virgule flottante 64 bits, mais le fait avec perte ; cependant, de nombreux algorithmes de compression sans perte peuvent désormais correspondre à cette compression sans perte d'informations. Malgré sa structure obsolète, il reste toujours un format ouvert standard pour l'examen EEG.

Pour l'analyse à l'aide d'outils logiciels, des bibliothèques spéciales sont nécessaires pour lire les fichiers EDF car ce format n'est pas utilisé pour les autres types de données. Pour cette raison, afin de simplifier le processus de chargement des données pour l'analyse, nous fournissons également le format CSV largement accessible. Notre format CSV stocke le temps (en secondes) et la tension (en micro-volts) sur chacun des 9 canaux. La première ligne de chaque fichier CSV contient un en-tête avec le nom de chaque colonne. Ces fichiers sont compressés à l'aide du format XZ multiplateforme, qui utilise l'algorithme de chaîne Lempel – Ziv – Markov. Des outils de compression disponibles gratuitement peuvent être utilisés pour décompresser les fichiers. Par exemple, 7z (https://www.7-zip.org/) pour les systèmes d'exploitation Windows ou XZ Utils (https://tukaani.org/xz/) pour les systèmes d'exploitation Linux. Alternativement, de nombreux langages de programmation peuvent fournir cette décompression lors de l'importation des données. Dans l'environnement de programmation Python (Python Software Foundation, https://www.python.org/) par exemple, la fonction read_csv du package Pandas peut lire directement dans les données tabulaires compressées avec XZ27 :

importer des pandas en tant que pd eeg_df = pd.read_csv("ID10_epoch3.csv.xz")

par exemple le fichier ID10_epoch3.csv.xz. De même, l'environnement de programmation R (R Core Team, https://www.R-project.org/), la fonction read.csv peut directement importer des données au format XZ compressé.

eeg_df < - read.csv("ID10_epoch3.csv.xz")

Pour Matlab (The Mathworks, Inc., États-Unis) et Julia (The Julia Project, https://julialang.org/)28, les fichiers CSV doivent être décompressés avant l'importation. Dans Matlab,

eeg_tb = readtable("ID10_epoch3.csv");où ID10_epoch3.csv est la version non compressée de ID10_epoch3.csv.xz. À Julia,

en utilisant CSV en utilisant DataFrames eeg_df = CSV.read("ID10_epoch3.csv", DataFrame)

Les données pourraient être utilisées à des fins de formation. Pour cela, les données peuvent être visualisées dans un visualiseur EEG en utilisant à la fois un montage référentiel ou bipolaire. Les données sont fournies dans le format référentiel brut à des fins de traitement, mais l'analyse visuelle est généralement effectuée à l'aide d'un montage bipolaire. Le montage bipolaire affiché pendant l'enregistrement et utilisé pour la notation de fond contient les paires d'électrodes bipolaires suivantes : F4–C4, C4–O2, F3–C3, C3–O1, T4–C4, C4–Cz, Cz–C3, C3–T3. Celui-ci contient à la fois des éléments antéro-postérieurs et transversaux. Les paramètres d'affichage typiques pour l'examen de l'EEG néonatal incluent : sensibilité 70–100 μV/cm, base de temps 15–20 mm/sec et filtre passe-bande 0,5–70 Hz. Les canaux EEG à amplitude intégrée (aEEG) sont populaires dans l'examen clinique et dans ce montage peuvent inclure des canaux aEEG pour F4–C4, F3–C3 et C4–C3.

Les données EEG pourraient également être utilisées pour développer un algorithme de classement EEG automatisé. Ces algorithmes de classification utilisent des méthodes de traitement du signal et d'apprentissage automatique pour extraire de l'EEG des informations caractéristiques d'un grade particulier d'EEG8,9,10,11,12,13,14,15,16,17. La première étape du développement de l'algorithme consiste à prétraiter les données. Cela comprendra un filtre passe-bande, généralement suivi d'un sous-échantillonnage. Le filtre passe-bande, de 0,5 à 30 Hz par exemple, supprime le bruit de la ligne électrique à 50 Hz et l'activité très lente (<0,5 Hz) souvent associée à des artefacts tels que la dérive CC ou l'artefact de transpiration. Le filtre passe-bande permet également un sous-échantillonnage sans repliement. Le sous-échantillonnage est couramment appliqué pour réduire la charge de calcul de l'algorithme avec une perte de performances négligeable. L'EEG prétraité est alors prêt à être utilisé dans un classificateur pour évaluer l'EEG.

Il existe 2 approches pour développer un algorithme de notation qui intègre des modèles d'apprentissage automatique. La première consiste à utiliser des méthodes de traitement du signal pour extraire un ensemble de caractéristiques de l'EEG prétraité, puis à combiner ces caractéristiques à l'aide d'un modèle d'apprentissage automatique8,9,10,11,12,13,14,15,17. Pour cette approche, nous devons développer et organiser un ensemble de caractéristiques qui généralise de manière adéquate les principaux facteurs discriminants parmi les 4 grades. Comme l'indique la figure 5, il existe potentiellement de nombreuses caractéristiques différentes qui pourraient discriminer, avec différents niveaux de précision, entre les 4 grades. La deuxième approche consiste à utiliser des méthodes d'apprentissage en profondeur, qui fournissent une solution de bout en bout (de l'EEG au grade)16,29. Ces méthodes extraient et combinent automatiquement les caractéristiques dans un seul réseau de neurones. Pour cette approche, nous devons sélectionner le type de réseau de neurones à utiliser, par exemple un réseau de neurones convolutif ou récurrent, puis concevoir l'architecture spécifique du réseau.

Pour les deux approches, le modèle d'apprentissage automatique est construit à l'aide d'une approche basée sur les données par le biais de la formation et des tests. Nous vous recommandons de former et de tester le modèle à l'aide d'une forme de validation croisée, idéalement en omettant un. La répartition des données d'entraînement et de test doit être effectuée au niveau du nouveau-né, et non au niveau de l'époque. Cela évitera de tester un modèle qui a été formé en utilisant des époques du même nouveau-né. Quelle que soit l'approche utilisée, il n'existe malheureusement pas de modèle unique. Autrement dit, différentes applications nécessiteront différents modèles. Un soin et une attention considérables au processus de conception sont nécessaires pour développer un classificateur précis et robuste, mais cela en vaut certainement la peine compte tenu de l'utilité clinique potentielle d'un tel algorithme pour améliorer les résultats de santé des nourrissons atteints d'EHI.

Aucun code personnalisé n'a été utilisé pour générer les données. Les fichiers EEG ont été exportés d'un format propriétaire vers des fichiers EDF à l'aide du logiciel de révision EEG associé pour les machines NicoletOne et Neurofax EEG. Les détails sur la façon de visualiser les données EEG et de les importer dans des environnements de programmation sont décrits dans la section Notes d'utilisation.

Pour faciliter l'analyse informatique de l'EEG, nous fournissons un code disponible gratuitement pour sous-échantillonner l'EEG à un taux d'échantillonnage inférieur et uniforme. Pour l'analyse quantitative ou d'apprentissage automatique, l'EEG néonatal est souvent sous-échantillonné à un taux d'échantillonnage inférieur, car la majorité de la puissance est généralement inférieure à 10 à 20 Hz. Par exemple, la figure 5e montre que 95 % de la puissance spectrale est inférieure à 25 Hz. Les routines de traitement comprennent un filtre anti-crénelage avant le sous-échantillonnage. Les versions Matlab et Python du code sont incluses sur https://github.com/otoolej/downsample_open_eeg (commit : 22e92db).

Kurinczuk, JJ, White-Koning, M. & Badawi, N. Épidémiologie de l'encéphalopathie néonatale et de l'encéphalopathie hypoxique-ischémique. Premier Hum. Dév. 86, 329–338 (2010).

Article PubMed Google Scholar

Perez, A. et al. Résultat neurodéveloppemental à long terme avec encéphalopathie hypoxique-ischémique. J. Pediatr. 163, 454–459 (2013).

Article PubMed Google Scholar

Walsh, BH, Murray, DM & Boylan, GB L'utilisation de l'EEG conventionnel pour l'évaluation de l'encéphalopathie ischémique hypoxique chez le nouveau-né : une revue. Clin. Neurophysiol. 122, 1284-1294 (2011).

Article CAS PubMed Google Scholar

Holmes, G. et al. Valeur pronostique de l'électroencéphalogramme dans l'asphyxie néonatale. Électroencéphalogramme. Clin. Neurophysiol. 53, 60-72 (1982).

Article CAS PubMed Google Scholar

Pressler, RM, Boylan, GB, Morton, M., Binnie, CD & Rennie, JM EEG en série précoce dans l'encéphalopathie ischémique hypoxique. Clin. Neurophysiol. 112, 31-37 (2001).

Article CAS PubMed Google Scholar

Murray, DM, Boylan, GB, Ryan, CA et Connolly, S. Les premiers résultats de l'EEG dans l'encéphalopathie hypoxique-ischémique prédisent les résultats à 2 ans. Pédiatrie 124, 459–467 (2009).

Article Google Scholar

Tagin, MA, Woolcott, CG, Vincer, MJ, Whyte, RK & Stinson, DA Hypothermie pour l'encéphalopathie ischémique hypoxique néonatale : une revue systématique et une méta-analyse mises à jour. Archives de pédiatrie et de médecine de l'adolescent 166, 558–566 (2012).

Article PubMed Google Scholar

Korotchikova, I., Stevenson, NJ, Walsh, BH, Murray, DM et Boylan, GB Analyse EEG quantitative dans l'encéphalopathie ischémique hypoxique néonatale. Clin. Neurophysiol. 122, 1671-1678 (2011).

Article CAS PubMed Google Scholar

Ahmed, R., Temko, A., Marnane, W., Lightbody, G. & Boylan, G. Classement de la gravité de l'encéphalopathie hypoxique-ischémique dans l'EEG néonatal à l'aide de supervecteurs GMM et de la machine à vecteurs de support. Clin. Neurophysiol. 127, 297-309 (2016).

Article PubMed Google Scholar

Stevenson, NJ et al. Un système automatisé pour classer les anomalies EEG chez les nouveau-nés à terme atteints d'encéphalopathie hypoxique-ischémique. Annales Biomed. Ing. 41, 775–785 (2013).

Article CAS Google Scholar

Raurale, SA et al. Détecteur alternatif Tracé pour la gradation de l'encéphalopathie hypoxique-ischémique en EEG néonatal. Dans 29e Eur. Processus de signalisation. Conf., 1177-1181, (IEEE 2021).

Raurale, SA, Nalband, S., Boylan, GB, Lightbody, G. & O'Toole, JM Adéquation d'une méthode de détection inter-rafales pour le classement de l'encéphalopathie hypoxique-ischémique dans l'EEG du nouveau-né. Dans la 41e Int. Conf. IEEE Eng. Méd. Biol. Soc., 4125–4128, (IEEE 2019).

Matic, V. et al. Approche holistique pour l'évaluation EEG de fond automatisée chez les nourrissons nés à terme et asphyxiés. J. Neural Eng. 11, 66007 (2014).

Article Google Scholar

Matic, V. et al. Améliorer la fiabilité de la dynamique de surveillance EEG de fond chez les nourrissons asphyxiés. IEEE Trans. Biomédical. Ing. 63, 973–983 (2015).

Article PubMed Google Scholar

Guo, J., Cheng, X. & Wu, D. Méthode de classement de l'encéphalopathie hypoxique-ischémique basée sur l'EEG néonatal. Modélisation informatique en ingénierie et sciences 122, 721–741 (2020).

Article Google Scholar

Raurale, SA et al. Gradation de l'encéphalopathie hypoxique-ischémique dans l'EEG néonatal avec des réseaux de neurones convolutifs et des distributions temps-fréquence quadratiques. J. Neural Eng. 18, 046007 (2021).

Article ADS PubMed Central Google Scholar

Moghadam, SM et al. Construire un classificateur open source pour le fond EEG néonatal : une approche systématique basée sur les fonctionnalités, de la notation experte à la visualisation clinique. Devant. Neuroscience humaine. 15, 1–15 (2021).

Article Google Scholar

Stevenson, NJ, Tapani, K., Lauronen, L. & Vanhatalo, S. Un ensemble de données d'enregistrements EEG néonataux avec des annotations de crise. Sci. Données 6, 1–8 (2019).

Article CAS Google Scholar

Pavel, AM et al. Un algorithme d'apprentissage automatique pour la reconnaissance des crises néonatales : un essai multicentrique, randomisé et contrôlé. Lancet Enfant Adolesc. Guérir. 4, 740–749 (2020).

Article Google Scholar

Pavel, AM et al. Prise en charge des crises néonatales : le moment du traitement est-il critique ? J. Pediatr. 243, 61-68 (2021).

Article PubMed Google Scholar

O'Toole, JM et al. EEG néonatal classé selon la gravité des anomalies de fond. Zenodo https://doi.org/10.5281/zenodo.7477575 (2022).

Finn, D., O'Toole, JM, Dempsey, EM & Boylan, GB EEG pour l'évaluation de la fonction neurologique chez les nouveau-nés immédiatement après la naissance. Cambre. Dis. Enfant. Foetal néonatal Ed. 104, F510–F514 (2019).

Article PubMed Google Scholar

O'Toole, JM & Boylan, GB Analyse quantitative de l'EEG avant terme : le besoin de prudence dans l'utilisation des techniques modernes de science des données. Devant. Pédiatre 7, 174 (2019).

Article PubMed PubMed Central Google Scholar

Korotchikova, I. et al. EEG chez le nouveau-né à terme en bonne santé dans les 12 heures suivant la naissance. Clin. Neurophysiol. 120, 1046-1053 (2009).

Article CAS PubMed Google Scholar

Stevenson, NJ, Mesbah, M., Boylan, GB, Colditz, PB et Boashash, B. Un modèle non linéaire d'EEG nouveau-né avec des entrées non stationnaires. Annales Biomed. Ing. 38, 3010-3021 (2010).

Article CAS Google Scholar

Kemp, B., Värri, A., Rosa, AC, Nielsen, KD & Gade, J. Un format simple pour l'échange d'enregistrements polygraphiques numérisés. Électroencéphalogramme. Clin. Neurophysiol. 82, 391–393 (1992).

Article CAS PubMed Google Scholar

L'équipe de développement des pandas. pandas-dev/pandas : pandas. Zenodo https://doi.org/10.5281/zenodo.3509134 (2022).

Bezanson, J., Edelman, A., Karpinski, S. & Shah, VB Julia : Une nouvelle approche de l'informatique numérique. Revue SIAM 59, 65–98 (2017).

Article MathSciNet MATH Google Scholar

Raurale, SA, Boylan, GB, Lightbody, G. & O'Toole, JM Classement de la gravité de l'encéphalopathie hypoxique-ischémique dans l'EEG du nouveau-né à l'aide d'un réseau neuronal convolutif. Dans la 42e Int. Conf. IEEE Eng. Méd. Biol. Soc., 6103–6106, (IEEE, 2020).

Télécharger les références

Ce travail a été soutenu par un Innovator Award du Wellcome Trust (209325/Z/17/Z). L'essai de dispositif médical qui a enregistré l'EEG a été soutenu par un prix de traduction stratégique également du Wellcome Trust (098983). L'article est basé sur les travaux de COST Action AI-4-NICU (CA20214), soutenus par COST (European Cooperation in Science and Technology, https://www.cost.eu/).

Centre de recherche INFANT, University College Cork, Cork, Irlande

John M. O'Toole, Sean R. Mathieson, Sumit A. Raurale, Fabio Magarelli, William P. Marnane, Gordon Lightbody et Geraldine B. Boylan

Département de pédiatrie et de santé infantile, University College Cork, Cork, Irlande

John M. O'Toole, Sean R. Mathieson, Sumit A. Raurale, Fabio Magarelli et Geraldine B. Boylan

Département de génie électronique et électrique, University College Cork, Cork, Irlande

William P. Marnane et Gordon Lightbody

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

GBB et WPM étaient les principaux enquêteurs de l'essai clinique qui a recueilli l'EEG. SRM a préparé les époques EEG et GBB et SRM ont examiné et noté toutes les époques. JMOT a effectué l'analyse de l'EEG. JMOT, SRM et FM ont préparé et formaté les données pour un accès libre. Le JMOT a produit la première ébauche et tous les auteurs ont examiné et révisé de manière critique le manuscrit.

Correspondance à John M. O'Toole.

Les auteurs ne déclarent aucun intérêt concurrent.

Note de l'éditeur Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur n'importe quel support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

O'Toole, JM, Mathieson, SR, Raurale, SA et al. EEG néonatal classé selon la gravité des anomalies de fond dans l'encéphalopathie hypoxique-ischémique. Sci Data 10, 129 (2023). https://doi.org/10.1038/s41597-023-02002-8

Télécharger la citation

Reçu : 07 juillet 2022

Accepté : 03 février 2023

Publié: 10 mars 2023

DOI : https://doi.org/10.1038/s41597-023-02002-8

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

Blog