Введение
Применение седативных средств является общепринятой практикой, при проведении большинства клинических и/или хирургических вмешательств, особенно в условиях оказания неотложной медицинской помощи. Хотя необходимо избавить тяжелобольных пациентов от неприятных физических и психологических переживаний, постоянная оценка уровня седативности крайне важна, поскольку неправильная практика седативной терапии может привести к серьезным осложнениям, таким как бред. Чтобы справиться с этими проблемами, био-маркеры бессознательного действия, вызванного седативными средствами, должны быть выявлены с помощью объективных анализов сигналов мозга.
Сбалансированное объединение кортикальной интеграции и дифференциации было предложено несколькими теоретическими разработками в области сознания, которые включают значительные различия в сети передачи информации в различных масштабах. Эти результаты мотивируют продолжать дальнейшие исследования, чтобы соотнести эти вариации с измененным состоянием сознания и количественно оценить все полученные данные. В исследовании, для оценки влияния седативности на связность в коре головного мозга в лобно-теменной сети, использовался тест Гренджера на причинность (Partial Granger Causality - PGC).
Метод исследования
Эффективный анализ связи был выполнен на 128-канальном наборе данных ЭЭГ, включающем семь здоровых субъектов с тремя различными уровнями седации (бодрствующий, легкий и умеренный). Исследование было ограничено данными ЭЭГ (8–12 Гц), снятыми с восьми электродов, расположенных полосами на коже головы (FP1, FP2, F3, F4, C3, C4, P3 и P4), охватывающих соответствующие области и мозга и очищенных от артефактов. Далее был применен алгоритм Левинсона-Робинсона-Виггинса (Levinson–Robinson–Wiggins (LWR)) для оценки коэффициентов многомерной авторегрессионной модели (Multivariate Autoregressive (MVAR)) на нескольких сегментах данных продолжительностью 500 мс. Информационный критерий Акаике (Akaike Information Criterion (AIC)) и критерий чистоты Дурбина–Уотсона (Durbin–Watson) были использованы для оценки оптимального порядка модели и проверки согласованности модели, соответственно. Кроме того, для устранения статистической погрешности использовался тест повторной выборки, методом перестановки 75 точек в области замера и 20 перестановок. Вывод был сделан путем статистического сравнения (p <0,05, FDR скорректировано для множественных сравнений) каждого причинно-следственного взаимодействия и силы PGC узлов между тремя условиями. В предыдущем исследовании эта методология была реализована для оценки эффективности связи при выполнении различных задач на моторику.
Полученные результаты
Анализ результатов показал статистически значимое снижение силы эффективных функций связности и прочности узлов на различных электродах по мере повышения уровня седативности от бодрствующего до умеренного. Эти результаты согласуются с результатами предыдущего исследования, в котором проводился функциональный анализ связности на уровне сетей источника. На рисунке 1 показаны средние значения PGC матриц (по всем субъектам), а на рисунке 2 показаны графики средней силы узлов (по субъектам) для всех трех условий. Парные сравнения показаны на рисунке 3 и отражают максимальные статистически значимые индексы направленности соединений и изменения силы узлов в паре бодрствование-умеренный уровень седативности.
РИСУНОК 1: Результаты, соответствующие анализу частичной PGC-причинности данных ЭЭГ для состояния покоя для трех уровней седации. Каждая матрица состоит из 56 ненулевых средних эффективных индексов связности (нормализованные значения PGC) по 7 субъектам.
РИСУНОК 2: Графики головы, показывающие средние значения прочности узлов PGC по 7 субъектам для трех уровней седации. Цветовая панель представляет собой нормализованные значения PGC.
РИСУНОК 3: Значительная направленная связность и сила узлов (p <0.05, с поправкой FDR) для трех парных сравнений.
Сравнение в умеренно-среднем диапазоне показало четыре значительных изменения сильных сторон узла и шесть изменений индексов связанности, в то время как наименее значительные изменения (две силы узла и четыре степени связанности) наблюдались в сравнении бодрствование-легкий уровень седативности.
Заключение: Это исследование показало, что направленный анализ связности на уровне головы может быть реализован для разграничения измененных состояний сознания с использованием небольшого количества электродов и, следовательно, сокращения вычислительных затрат и времени анализа. Кроме того, лобно-теменная сеть демонстрирует достаточные различия в силе узла и может быть использована для мониторинга сознания в режиме реального времени в клинической обстановке.