Czy zastosowanie uczenia maszynowego, opartego na danych spoczynkowego EEG, może pomóc w rzetelnej diagnozie pacjentów z długotrwałymi zaburzeniami świadomości?

Długotrwałe zaburzenia świadomości (pDoC) opisują grupę zaburzeń neurologicznych charakteryzujących się głębokim zaburzeniem świadomości wynikającym z ciężkiego uszkodzenia centralnego układu nerwowego, co najczęściej spowodowane jest urazowym uszkodzeniem mózgu, niedotlenieniem lub udarem. Ze względu na skomplikowany obraz kliniczny pDoC odsetek błędnych diagnoz sięga nawet 40%. Wraz z postępem technik neuroobrazowania zostało potwierdzone, że elektroencefalografia (EEG) może stanowić uzupełniające narzędzie diagnostyczne.Celem niniejszego badania było sprawdzenie, czy istnieją różnice w widmie mocy sygnału EEG, które pozwalają na odróżnienie pacjentów świadomych od nieświadomych. Drugim aspektem badania było zweryfikowanie czy można dokonać rzetelnej klasyfikacji pacjentów z użyciem uczenia maszynowego (ML).W celu spełniania założeń projektu, widma mocy EEG 42 pacjentów z pDoC zostały poddane modelowaniu z wykorzystaniem algorytmu FOOOF. Następnie, na podstawie doniesień literaturowych i charakterystycznych cech sygnału poszczególnych grup pacjentów z pDoC, wybrano zbiór cech, które zostały użyte podczas sesji ML. Do klasyfikacji danych użyto klasyfikatora Bagged Trees.W oparciu o komponent aperiodyczny, centralną częstotliwość piku o największej amplitudzie oraz proporcję aktywności wysokoczęstotliwościowej do niskoczęstotliwościowej z elektrod obszaru centralno-tylnego mózgu, możliwe było, aby przewidzieć poziom świadomości pacjentów (świadomy lub nieświadomy) z dokładnością wynoszącą 77,9% (AUC=0,79). Ponad to, wykorzystany model osiągał względnie wysokie wartości czułości i swoistości.Wyniki wskazują, że analiza spektrum mocy z użyciem ML pozwala na różnicowanie pacjentów z pDoC na świadomych i nieświadomych z wysoką skutecznością. To sugeruje, że w przyszłości, klasyfikacja pacjentów na podstawie danych z EEG może stanowić rzetelne uzupełnienie procesu diagnostycznego.

The prolonged disorders of consciousness (pDoC) are a group of medical conditions characterized by severe impairment of consciousness resulting from extensive central nervous system injuries, mainly caused by traumatic brain injury, anoxia, and stroke. Due to the clinical complexity of the pDoC, the misdiagnosis rate reaches up to 40%. With the rise of neuroimaging techniques, it has been confirmed, that electroencephalography (EEG) can be used as a complementary tool in patients’ diagnostic process.This study aims to investigate whether there are differences in the EEG power spectra that allow for differentiation between aware and unaware pDoC patients. Another objective is to examine if the reliable classification of a patient’s consciousness level can be achieved by using the supervised machine learning (ML) approach.To achieve these goals, the EEG frequency spectra of 42 pDoC patients was modelled using the FOOOF algorithm. Then, for the ML session, distinctive signal features were chosen based on the literature and the characteristic signal properties of each pDoC group. For the data classification, the Bagged Trees classifier was used.Based on the aperiodic component, the central frequency of the peak with the highest amplitude and high-to-low frequency ratio from the electrodes of the central and posterior brain areas it was possible to predict the patient’s level of consciousness (aware and unaware) with 77.9% accuracy (AUC=0.79). Also, the model showed a relatively high level of sensitivity and specificity.The results indicate that the EEG power spectrum analysis using the ML approach enables the differentiation of pDoC patients into aware and unaware with high accuracy. This suggests that in the future, ML classification based on EEG data may serve as a reliable complement to the pDoC diagnostic process.