- MeSH
- Enzymes chemistry MeSH
- Regression Analysis MeSH
- Models, Theoretical MeSH
- Publication type
- Review MeSH
sv.
- MeSH
- Histological Techniques MeSH
- Image Processing, Computer-Assisted MeSH
- Publication type
- Periodical MeSH
- Conspectus
- Buněčná biologie. Cytologie
- NML Fields
- cytologie, klinická cytologie
- histologie
elektronický časopis
Cílem studie je ukázat, že nově vyvinutá metoda automatické analýzy EEG dokáže rozpoznat abnormální fenomény novorozeneckého EEG a je schopna závažnost odchylky zhodnotit kvantitativně. Analyzovány byly digitální EEG záznamy 36 novorozenců, u nichž bylo EEG vyšetření indikováno z klinických důvodů. Pětiminutové vzorky EEG aktivity ze standardizovaného behaviorálního stavu byly za použití počítačem podporované čtyřstupňové analýzy popsány 312 číselnými položkami, informujícími o amplitudě, výkonu v pěti frekvenčních pásmech, o tvaru signálu a o jeho stálosti či proměnlivosti. Každá z těchto položek byla automaticky porovnána s normativním údajem, získaným vyšetřením 21 zdravých donosených novorozenců, a testována, liší-li se od normy o jednu či o dvě směrodatné odchylky. Počet pacientových položek lišících se od normy byl úměrný závažnosti jeho abnormality. Orientační porovnání výsledků automatické a vizuální analýzy pacientských elektroencefalogramů osvědčilo dobrou shodu. Metoda je příslibem pro klinickou praxi, neboť může významně přispět jak ke zrychlení, tak i k objektivizaci hodnocení novorozeneckého EEG.
The study aims to demonstrate that the newly developed method of automated EEG analysis can detect abnormal phenomena in the neonatal EEG and can quantify the severity of the deviation from the norm. EEG records from 36 neonates with clinically indicated EEG examination were analyzed. Five-minutes samples of EEG activity during a standardized behavioral state were processed using a computer-supported four-stage analysis and described with 312 numerical items, providing the information on amplitude, power in five frequency bands, on signal shape and its stability or variability. Each of these items was automatically compared to normative data acquired from the examination of 21 healthy, full term neonates and tested whether it differs by one or two standard deviations from the norm. The number of patient's items differing from the norm was proportional to the severity of their abnormality. A cursory comparison of the results of automatic and visual analyses of patienť EEG records showed good agreement. The method shows promise for the clinical practice, where it can significantly contribute to both acceleration and greater objectivity of neonatal EEG assessment.
