Quais são as abordagens comuns para medir a profundidade da anestesia na aplicação clínica e como avaliamos os algoritmos usados?

Monitorar a profundidade da anestesia (DoA) em tempo real durante a cirurgia clínica é crucial. Se a profundidade da anestesia não for adequada, os pacientes podem apresentar consciência intraoperatória, resultando em sintomas de transtorno de estresse pós-traumático em até 70% desses pacientes [1]. Por outro lado, se a profundidade da anestesia for muito profunda, a recuperação pós-operatória pode ser retardada, podendo causar danos ao sistema neural e até mesmo aumentar a mortalidade pós-operatória [2].

O uso da eletroencefalografia (EEG) tornou-se popular no campo da anestesia para avaliar quantitativamente a profundidade da anestesia durante os procedimentos cirúrgicos. A Figura 1 mostra as alterações que seriam observadas em um EEG após a sedação.

Figura 1. Alterações no EEG após sedação / hipnose [3].

Vários dispositivos comerciais estão disponíveis para monitorar a profundidade da anestesia que usam vários algoritmos quantitativos de EEG para converter a saída do EEG em uma escala numérica ou categoria de letras, que pode ser usada por anestesiologistas em tempo real para orientar a dosagem da anestesia, evitar a consciência operatória não intencional e evitar anestesia leve ou excessivamente profunda. Estes incluem BIS (com base no índice BIS da Medtronic, EUA), Narcotrend (com base na análise espectral e reconhecimento de padrões do Narcotrend-Gruppe, Alemanha), Entropy (com base em medidas de entropia da GE Healthcare) e SEDLine (com base na análise espectral da Masimo Corporation), cada um dos quais é descrito abaixo.

Índice bispectral (BIS)

O BIS é um índice adimensional calculado a partir do sinal de EEG e varia de 100 (destinado a indicar totalmente acordado) a 0 (destinado a indicar nenhuma atividade de EEG) e usado em produtos comerciais. Durante a anestesia, valores entre 40 e 60 são recomendados para minimizar a probabilidade de consciência e evitar anestesia profunda e seus efeitos colaterais. Um subparâmetro conhecido como taxa de supressão (SR) também é dado pelo algoritmo BIS. O SR é uma estimativa do nível de supressão de explosão, descrevendo a porcentagem do traço de EEG de 63 segundos anterior que é isoelétrico. Mostra-se que está fortemente correlacionado com os cálculos de supressão de explosão retirados de registros de EEG padrão [4].

O BIS é um algoritmo proprietário e detalhes completos sobre como exatamente esse parâmetro é calculado não estão disponíveis, embora deva depender do biespectro, que é a diferença de fase calculada entre os sinais em várias frequências. Um estudo recente afirma ter feito engenharia reversa do algoritmo e, surpreendentemente, descobriu que a pontuação do BIS, calculada por suas implementações, não depende do biespectro anunciado, mas que os valores do BIS são controlados principalmente pela potência do sinal nas bandas gama mais baixas (30-47 e 40-47 Hz) [5]! No entanto, como o algoritmo BIS original não é tornado público, é difícil chegar a qualquer conclusão sobre como o BIS é calculado exatamente.

Medidas baseadas em entropia

Acredita-se que o EEG pode ser melhor descrito usando dinâmica não linear do que medidas lineares simples, como análise espectral de potência. Uma maneira de medir a dinâmica não linear é usando a entropia. Várias variantes de medidas de entropia no domínio do tempo e da frequência, incluindo entropia espectral, entropia de amostra, entropia aproximada, etc., foram usadas para medir o DoA. Por exemplo, a entropia espectral, que é uma medida da regularidade da frequência dos sinais de EEG, é obtida aplicando a entropia de Shannon ao espectro de potência do EEG. O monitor DoA desenvolvido pela GE Healthcare divide a entropia espectral em entropia relativa (RE), que é uma medida que analisa a atividade cerebral e a atividade muscular na faixa de frequência de 0 a 47 Hz e a entropia de estado (SE), que analisa apenas a atividade cerebral na faixa de frequência de 0 a 32 Hz. Esses índices são então usados para categorizar o EEG, conforme mostrado na Figura 2.

Figura 2: Classificação do EEG baseada em ER e SE [6].

Frequência de borda espectral (SEF)

O SEF é uma medida da frequência na qual uma certa porcentagem da potência total do EEG está concentrada. Por exemplo, o SEF90 e o SEF95 são derivados calculando a frequência que separa 90% e 95% da área do espectro de potência dos 10% e 5% da área, respectivamente. Valores mais baixos de SEF indicam um nível mais profundo de anestesia. No entanto, é apontado que o SEF é fortemente dependente de filtros aplicados ao sinal bruto de EEG e reflete mal o centro da distribuição do espectro de potência e as atividades nas bandas de baixa frequência. Ele também comprime a forma de onda do EEG em um único número, perdendo informações sobre frequências de EEG mais lentas. Estudos mostraram que o SEF pode se correlacionar intimamente com as concentrações séricas de certos anestésicos como tiopental, etomidato e fentanil, mas também pode ocultar mudanças na atividade do EEG da banda alfa para bandas de baixa frequência.

Frequência mediana (MF)

A frequência mediana é definida como a frequência de um espectro de potência em que 50% da potência está em frequências mais baixas e 50% da potência está em frequências mais altas. A MF foi uma das primeiras medidas de EEG processadas introduzidas no uso clínico e, normalmente, a frequência média de pacientes acordados está em um nível de 12 Hz. Durante a anestesia, a frequência mediana muda para níveis mais baixos, com frequências de cerca de 2-3 Hz sendo encontradas, ou seja, valores mais baixos de MF indicam um nível mais profundo de anestesia. Estudos mostraram que a MF é eficaz na quantificação da profundidade da anestesia com vários anestésicos, e teve um desempenho melhor em comparação com a frequência da borda espectral quando o etomidato foi usado. No entanto, alguns estudos sugerem que uma distribuição multimodal complexa como o espectro de potência do EEG não pode ser descrita por um único valor, mas mudanças brutas no espectro de potência podem ser razoavelmente determinadas utilizando o MF.

Figura 3. Ilustração de um espectro de potência de EEG. O MEF é a frequência que divide a curva do espectro de potência pela metade. O SEF80 divide a curva em 90% e 10% [3 Tonner e Bein 2006].

Avaliando os algoritmos

Como mencionado anteriormente, os detalhes algorítmicos exatos usados nesses dispositivos não são conhecidos, pois são proprietários, embora algumas informações estejam disponíveis sobre o tipo de medidas de EEG que eles usam para chegar a um único número/letra. Além dos descritos, novos algoritmos continuam a ser propostos para medir a profundidade da anestesia. A maioria dessas medidas é similarmente baseada na análise de entropia/complexidade e na análise espectral de potência [por exemplo, ver 7-9]. No entanto, vários fatores, como idade do paciente, sexo, histórico médico e o tipo e dose de agentes anestésicos usados, podem afetar o sinal de EEG e, portanto, pode ser um desafio interpretar com precisão esses sinais e usá-los para determinar o nível de consciência do paciente. Não existem estudos de validação em larga escala que levem em conta esses fatores e os métodos propostos geralmente são testados em amostras menores e não levam em conta os fatores mencionados acima. Além disso, há uma falta de protocolos padronizados para monitoramento e interpretação desses sinais, o que pode levar a inconsistências nos dados e resultados.

Como podemos medir efetivamente o sucesso dessas medidas? Uma maneira é olhar para certos resultados clínicos. Isso pode incluir a incidência de consciência durante a anestesia, disfunção cognitiva pós-operatória (DCPO), delirium pós-operatório e ocorrência de complicações pós-operatórias, incluindo mortalidade. Além disso, a duração da recuperação pós-operatória, o tempo de internação e o custo dos cuidados pós-operatórios também podem ser usados como indicadores dos resultados pós-operatórios. Em uma postagem subsequente do blog, veremos as avaliações conhecidas para delinear o sucesso atual e os desafios restantes.

Referências

1. Leslie, Kate, et al. “O efeito do monitoramento do índice bispectral na sobrevida a longo prazo no estudo B-aware.” Anestesia e Analgesia 110.3 (2010): 816-822.
2. Wang, Gang, et al. “Monitoramento da profundidade da anestesia através do uso de medições hemodinâmicas cerebrais com base no algoritmo de entropia da amostra.” Transações IEEE em Engenharia Biomédica 67.3 (2019): 807-816.
3. Tonner, P. H. e B. Bein. “Parâmetros eletroencefalográficos clássicos: frequência mediana, frequência de borda espectral etc.” Melhores Práticas e Pesquisa em Anestesiologia Clínica 20.1 (2006): 147-159.
4. Cottenceau, Vincent, et al. “O uso do índice bispectral para monitorar o coma barbitúrico em pacientes com lesão cerebral grave com hipertensão intracraniana refratária.” Anestesia e Analgesia 107.5 (2008): 1676-1682.
5. ↑ Connor CW (outubro de 2022). “Reimplementação aberta dos algoritmos BIS para profundidade de anestesia”. Anestesia e Analgesia. 135 (4): 855–864. DOI:10.1213/ANE.00000000000006119. PMC 9481655. PMID 35767469.
6. https://clinicalview.gehealthcare.com/quick-guide/entropy-monitoring-valuable-tool-guiding-delivery-anesthesia
7. Ferenets, Rain, et al. “Comparação de medidas de entropia e complexidade para a avaliação da profundidade da sedação.” Transações IEEE em Engenharia Biomédica 53.6 (2006): 1067-1077.
8. Wei, Qin, et al. “Análise de EEG via decomposição de modo empírico multivariado para profundidade de anestesia com base na entropia da amostra.” Entropia 15.9 (2013): 3458-3470.
9. Zhang, X-S., Rob J. Roy e Erik W. Jensen. “Complexidade do EEG como uma medida da profundidade da anestesia para os pacientes.” Transações IEEE em engenharia biomédica 48.12 (2001): 1424-1433.