Estimación de la profundidad de la anestesia a partir de la variabilidad de la frecuencia cardiaca utilizando técnicas de inteligencia artificial

Abstract

La anestesia general (AG) es una condición reversible inducida por fármacos que provocan pérdida de conocimiento y es crucial en casi todas las cirugías, por lo que una monitorización precisa es esencial para minimizar complicaciones asociadas con la sobredosis o insuficiencia de anestésicos, asegurando la seguridad y calidad del procedimiento. Existen índices clínicamente aceptados para medir la profundidad de la anestesia, como el índice Bispectral (BIS), que varía de 0 a 100 y viene integrado en el monitor BIS, que actualmente uno de los más utilizados en la práctica clínica. Sin embargo, El monitor BIS estima la profundidad de la anestesia (PDA) a partir de señales electroencefalográficas (EEG), que son sensibles al ruido y requieren algoritmos complejos. Además, los electrodos EEG desechables son costosos en comparación con otros sensores fisiológicos, y la atención anestésica segura y accesible es limitada para más de la mitad de la población mundial debido a su alto costo. Aunque algunos estudios han explorado la predicción de la PDA usando otras señales, como las electrocardiográficas (ECG), aún hay brechas, ya que se centran en clasificar etapas de la anestesia en lugar de predecir su profundidad a lo largo del tiempo. Por esta razón, esta investigación tiene como objetivo general, establecer la PDA, como alternativa al Monitor de índice Bispectral, utilizando características derivadas de señales ECG implementando técnicas de Inteligencia Artificial. Para cumplir con el objetivo, se utilizó la metodología CRISP-DM (Cross-Industry Standard Process for Data Mining), comenzando con la selección de 3.000 pacientes de la base de datos VitalDB con la señal BIS y señal electrocardiográfica derivación II (ECG_II). Luego, se exploró toda la información clínica y las señales, con el fin de identificar y corregir ruidos y errores. Después del procesamiento, se redujo el conjunto a 2,647 pacientes, de los cuales se extrajeron las características de la Variabilidad de la Frecuencia Cardíaca (VFC), considerando tres ventanas de tiempo: 60, 180 y 300 segundos. Estas características se usaron para entrenar dos modelos: una red neuronal convolucional (CNN, por sus siglas en inglés) y una red neuronal de memoria a corto y largo plazo (LSTM) multivariadas. Como resultado, se observó que el modelo con la LSTM logró los mejores resultados, particularmente en la ventana de 300 segundos, considerando la escala BIS para anestesia profunda y sedación (valores BIS entre 20 y 60). De esa manera se evidenció, para el 54,29% de los pacientes del conjunto de prueba, un error absoluto medio (MAE, por sus siglas en inglés) entre 0,57 y 5,57, un error cuadrático medio (MSE, por sus siglas en inglés) promedio de 66,03 y un error porcentual absoluto medio (MAPE, por sus siglas en inglés) promedio de 15,63. Por tanto, los resultados sugieren que un algoritmo basado en señales ECG puede estimar de manera continua la profundidad de la anestesia, utilizando la misma escala que el monitor BIS, además, se ha observado que una mejor estimación se logra al utilizar ventanas de tiempo mayores a 60 segundos. Respecto al campo de aplicación, utilizar señales ECG para predecir la PDA ofrece una alternativa económica y accesible para hospitales rurales y comunidades con recursos limitados. No obstante, es esencial reconocer las limitaciones de este estudio y la necesidad de realizar más investigaciones como trabajo futuro, para validar y expandir su aplicación en distintos contextos clínicos.