18 Eylül 2019 Çarşamba

Hastaların Ağrı Seviyelerini Beyin Sinyalleriyle Tespit Etmek

hastaların ağrı seviyelerini beyin sinyalleriyle tespit etmek

MIT ve diğer yerlerdeki araştırmacılar, taşınabilir bir beyin görüntüleme cihazındaki beyin aktivitesini analiz ederek hastanın ağrı seviyesini ölçen bir sistem geliştirdiler. Sistem, doktorların bilinçsiz ve bulaşıcı olmayan hastalarda ağrıyı teşhis etmesine ve tedavi etmesine yardımcı olabilir, bu da ameliyat sonrası ortaya çıkabilecek kronik ağrı riskini azaltabilir.

Ağrı yönetimi şaşırtıcı derecede zor, karmaşık bir dengeleme eylemidir. Örneğin aşırı tedavi edici ağrı, hastaların ağrı kesici ilaçlara bağımlı olma riskini taşır. Öte yandan, tedavi edici ağrı, uzun süreli kronik ağrıya ve diğer komplikasyonlara neden olabilir. Günümüzde doktorlar genellikle hastalarının nasıl hissettiğini kendi raporlarına göre ağrı seviyelerini ölçer. Ancak, çocuklar, demanslı yaşlı hastalar veya ameliyat geçirenler gibi etkili bir şekilde nasıl hissettiğini ya da hiç hissetmediklerini anlatamayan hastaların ağrı seviyesi nasıl anlaşılacak?

Uluslararası Afektif Bilgi İşlem ve Akıllı Etkileşim Konferansında sunulan bir makalede, araştırmacılar hastalardaki ağrıyı ölçmek için bir yöntem tanımlamaktadır. Bunu yapmak için, kafa etrafına yerleştirilen sensörlerin nöron aktivitesini gösteren oksijenli hemoglobin konsantrasyonlarını ölçtüğü, fonksiyonel yakın kızılötesi spektroskopi (fNIRS) adı verilen gelişen bir beyin görüntüleme tekniğini kullanırlar.

Araştırmacılar, çalışmaları için, ağrı işlemesinde önemli bir rol oynayan prefrontal korteksin aktivitesini ölçmek için hastanın alnında sadece birkaç fNIRS sensörü kullanır. Ölçülen beyin sinyallerini kullanarak araştırmacılar, ağrı yanıtlarıyla ilişkili oksijenli hemoglobin düzeylerini tespit etmek için kişiselleştirilmiş makine öğrenme modelleri geliştirdi. Sensörler yerindeyken, modeller bir hastanın yaklaşık yüzde 87 hassasiyetle ağrı duyup duymadığını tespit edebilir.

Doktora derecesinde Daniel Lopez-Martinez, “Acıyı ölçme şeklimiz yıllar içinde değişmedi.” dedi. “Bir kişinin ne kadar acı yaşadığı, acıyı tedavi etmek ve klinik denemeler yapmak için ne kadar acı olduğunun ölçüsü yoksa zor olur. Yeni çalışma, hastanın ne zaman olduğu gibi hastanın işbirliğini gerektirmeyen nesnel bir şekilde ölçülmesidir.” diye de ekledi.

Geleneksel olarak, cerrahi hastaları yaşlarına, kilosuna, önceki hastalıklara ve diğer faktörlere bağlı olarak anestezi ve ilaçlar alırlar. Hareket etmiyorlarsa ve kalp atışları sabit kalıyorsa, iyi kabul edilir. Fakat beyin bilinçsizken ağrı sinyallerini işliyor olabilir, bu da postoperatif ağrı ve uzun süreli kronik ağrıya neden olabilir. Araştırmacıların sistemi, cerrahlara bilinçsiz bir hastanın ağrı düzeyleri hakkında gerçek zamanlı bilgi sağlayabilir, böylece bu ağrı sinyallerini durdurmak için anestezi ve ilaç dozajlarını ayarlayabilirler.

Alnına odaklanmak

Çalışmalarında araştırmacılar fNIRS sistemini uyarladılar ve sistemi klinik kullanım için daha doğru ve pratik hale getirmek için yeni makine öğrenme teknikleri geliştirdiler.

FNIRS kullanmak için sensörler geleneksel olarak hastanın kafasının etrafına yerleştirilir. Yakın kızılötesi ışığın farklı dalga boyları kafatasından ve beyinden parlar. Oksijenli ve oksijensiz hemoglobin, dalga boylarını farklı şekilde emerek sinyallerini hafifçe değiştirir. Kızılötesi sinyaller sensörlere geri yansıdığında, sinyal işleme teknikleri beynin farklı bölgelerinde her bir hemoglobin türünün ne kadarının bulunduğunu hesaplamak için değiştirilmiş sinyalleri kullanır.

Bir hasta zarar gördüğünde, ağrıyla ilişkili beynin bölgeleri oksijenli hemoglobinde keskin bir artış görecek ve deoksijenli hemoglobinde düşecek ve bu değişiklikler fNIRS izlemesi ile tespit edilebilir. Ancak geleneksel fNIRS sistemleri, hastanın kafasının etrafına sensörler yerleştirir. Bu işlemin kurulması uzun zaman alabilir ve yatması gereken hastalar için zor olabilir. Aynı zamanda ameliyat geçiren hastalar için de uygun değildir.

Bu nedenle, araştırmacılar fNIRS sistemini sadece prefrontal korteksin sinyallerini spesifik olarak ölçmek için uyarladılar. Ağrı işleme, beynin birçok bölgesinden elde edilen bilgilerin çıktılarını içermekle birlikte, çalışmalar, prefrontal korteksin tüm bu bilgileri entegre ettiğini göstermiştir. Bu, sensörleri yalnızca alnın üzerine yerleştirmeleri gerektiği anlamına gelir.

Geleneksel fNIRS sistemlerinde bir diğer sorun, kafatasından ve ciltteki gürültüye katkıda bulunan bazı sinyalleri yakalamalarıdır. Bunu düzeltmek için araştırmacılar bu sinyalleri yakalamak ve filtrelemek için ek sensörler kurdular.

Kişiselleştirilmiş ağrı modellemesi

Makine öğrenmesi tarafında araştırmacılar, 43 erkek katılımcıdan topladıkları etiketli bir ağrı işleme veri kümesi üzerinde bir model eğitmiş ve test etmiştir.

Her katılımcı, araştırmacıların fNIRS cihazını kullandı ve rastgele zararsız bir sansasyona maruz kaldı ve ardından yaklaşık bir düzine, 1-10 arasında ölçülen iki farklı ağrı şiddetinde baş parmaklarına şok verdi: düşük bir seviye (yaklaşık 3/10) veya yüksek seviye (yaklaşık 7/10). Bu iki yoğunluk ön testlerle belirlendi: Katılımcılar, düşük seviyenin sadece, acısız şokun kesinlikle farkında olduğunu, yüksek seviyenin tahammül edebilecekleri maksimum ağrı olarak bildiklerini bildirdi.

Eğitimde model, oksijenli hemoglobin seviyelerinin ne kadar hızlı yükseldiğinin yanı sıra ne kadar oksijenli ve deoksijenli hemoglobinin mevcut olduğuna ilişkin sinyallerden onlarca özellik çıkardı. Bu iki ölçüm (nicelik ve hız), hastanın farklı yoğunluklardaki ağrı deneyimlerinin daha net bir görüntüsünü verir.

Önemli olarak, model otomatik olarak bireysel hasta alt popülasyonlarından yüksek çözünürlüklü özellikler çıkaran "kişiselleştirilmiş" alt modeller de üretir. Geleneksel olarak, makine öğreniminde bir model, tüm hasta popülasyonunun ortalama tepkilerine dayanan “acı” veya “acı yok” gibi sınıflandırmaları öğrenir. Ancak bu genelleştirilmiş yaklaşım, özellikle çeşitli hasta popülasyonlarında doğruluğu azaltabilir.

Araştırmacıların modeli bunun yerine tüm nüfusu eğitiyor, ancak aynı anda daha büyük veri kümelerindeki alt popülasyonlar arasındaki ortak özellikleri de belirliyor. Örneğin, iki şiddete verilen ağrı yanıtları genç ve yaşlı hastalar arasında veya cinsiyete bağlı olarak farklılık gösterebilir. Bu, parçalanan ve paralel olarak hasta alt popülasyonlarının düzenlerini öğrenen alt modeller üretir. Bununla birlikte, aynı zamanda, hepsi hala tüm nüfus boyunca paylaşılan bilgi ve öğrenme modellerini paylaşıyor. Kısacası, eş zamanlı olarak daha iyi eğitmek için iyi ayarlanmış kişiselleştirilmiş bilgilerden ve nüfus düzeyinde bilgilerden yararlanıyorlar.

Kişiselleştirilmiş modeller ve geleneksel bir model, ağrı ya da ağrısız sınıflandırmanın, her bir katılımcı için bildirilen ağrı puanlarının bilindiği, veri setindeki rastgele bir katılımcı beyin sinyalleri kümesinde sınıflandırılmasında değerlendirildi. Kişiselleştirilmiş modeller geleneksel modelden yaklaşık yüzde 20 daha iyi performans göstererek yüzde 87 oranında doğruluk elde etti.

Lopez-Martinez, “Alnındaki sadece birkaç sensörü kullanarak bu yüksek hassasiyetle acıyı tespit edebileceğimiz için, bu teknolojiyi gerçek dünyadaki bir klinik ortama getirmek için sağlam bir temelimiz var.” dedi.

Kaynak