Brain-computer interfaces to improve the identification of dyspnea in patients under mechanical ventilation
Interfaces cerveau-ordinateur pour améliorer l'identification de la dyspnée chez les patients ventilés artificiellement
Résumé
Almost half of the patients under mechanical ventilation (MV) in intensive care units (ICU) experience respiratory discomfort (or dyspnea). Communication impairments between patients and caregivers in ICU make recognition and evaluation of such a dyspnea difficult. The aim of this work was to develop brain-computer interfaces (BCI) to help caregivers recognizing respiratory discomfort under MV in ICU. In the DYSVENT study, dyspneic patients under MV in ICU were included. An electroencephalogram (EEG) was recorded at baseline and after optimization of ventilator settings. The EEG was analyzed to look for a pre-inspiratory potential (PIP) which is a sign of a ventilation-related cortical activity (VRCA), which is usually absent during spontaneous breathing. In the DYSPEV study, 2 BCIs based on steady-state visual evoked potentials (SSVEP) were tested on healthy volunteers: a BCI that detects dyspnea (D-BCI) and a BCI that quantifies the dyspnea in the form of a virtual visual analogic scale (LAS). Subjects were studies under various respiratory conditions: spontaneous breathing (SB), inspiratory threshold load (ITL) and resistive load (IRL), CO2 inhalation (CO2) and back to SB (SBWO). Many frequency sets were tested: 12/15Hz, 15/20Hz, 20/30Hz for D-BCI and high frequencies (13, 17, 19, 23 and 29 Hz) and low frequencies (41, 43, 47, 53 and 59 Hz) for the LAS. In the DYSVENT study, included patients (n = 47) were dyspneic in 73 to 89% of cases according to the evaluation method used (EVA or the hetero-evaluation scores IC-RDOS or RDOS). The optimization of the ventilator settings significantly improved their discomfort. At baseline 38% of the patients had a PIP on EEG versus 19% after ventilator optimization (p < 10-4). Predictive positive value of PIP detection to identify respiratory discomfort was 1.00 (95CI [0.91-1.00]) using IC-RDOS and 0.96 (95CI [0,87-1,00]) using RDOS. Predictive negative value was 0.37 (95CI [0.25-0.50]) using IC-RDOS and 0.31 (95CI [0.19-0.44]) using RDOS. In the DYSPEV study, healthy volunteers experienced respiratory discomfort during IRL, ITL and CO2 in the D-BCI group (30 subjects) and during ITL and CO2 in the LAS group (20 subjects, ITL condition not tested in this group) with VAS significantly higher than during SB. For the D-BCI the best frequency set was 20-30Hz with AUC 0.89 (95CI [0.80-0.90]) and low frequencies for the LAS with AUC 0.84 (95CI [0.83-0.85]). In the DYSVENT study, VRCA detection was insufficient to highlight situations at risk of respiratory discomfort under MV. The DYSPEV study made the proof of concept in healthy volunteers of using a SSVEP-based BCI to detect and quantify dyspnea. A BCI gathering both techniques could be developed to help caregivers recognizing and taking care of respiratory discomfort under MV in ICU.
Près de la moitié des patients ventilés artificiellement en réanimation présentent un inconfort respiratoire (ou dyspnée). Les difficultés de communication entre patients et soignants rendent complexes l’évaluation et la prise en charge de cette dyspnée. L’objectif de ce travail était de développer des interfaces cerveau-ordinateur (BCI) permettant d’aider les soignants à détecter la dyspnée sous ventilation mécanique (VM) en réanimation. Dans l’étude DYSVENT, des patients dyspnéiques sous VM en réanimation ont été inclus. Un électroencéphalogramme (EEG) était enregistré à l’état basal puis après optimisation des réglages du respirateur à la recherche d’un potentiel pré-inspiratoire (PPI) signe d’une activité corticale liée à la ventilation (ACLV), habituellement absente au cours de la ventilation spontanée. Dans l’étude DYSPEV, deux BCI basées sur des potentiels évoqués visuels en régime permanent (PEVRP) ont été testés chez des volontaires sains : une BCI de détection de la dyspnée (D-BCI) et une BCI de quantification prenant la forme d’une échelle visuelle analogique (EVA) virtuelle (LAS). Les volontaires sains ont été étudiés sous diverses conditions respiratoires : ventilation spontanée (VS), charge inspiratoire à seuil (ITL) et résistive (IRL), inhalation de CO2 (CO2) et retour en VS (VSWO). Différentes fréquences ont été testées pour les stimulus visuels : 12/15Hz, 15/20Hz et 20/30Hz pour la D-BCI et basses fréquences (13, 17, 19, 23 et 29 Hz) et hautes fréquences (41,43,47, 53 et 59 Hz) pour la LAS. Dans l’étude DYSVENT, les patients inclus (n = 47) présentaient un inconfort respiratoire dans 73% à 89% des cas selon la méthode d’évaluation utilisée (EVA ou score d’hétéro-évaluation IC-RDOS ou RDOS). L’optimisation de la ventilation a permis d’améliorer cet inconfort de manière significative. A l’état basal, 38% des patients présentaient un PPI contre 19% après la phase d’optimisation des réglages du respirateur (p < 10-4). Dans l’étude DYSPEV, les volontaires sains inclus (n = 50) présentaient un inconfort respiratoire lors des conditions IRL, ITL et CO2 dans le groupe D-BCI (30 sujets) et lors des conditions ITL et CO2 dans le groupe LAS (20 sujets, condition ITL non testée dans ce groupe) avec des EVA significativement plus élevées comparativement à la VS. Pour la D-BCI, le meilleur réglage de fréquence était 20-30Hz avec une AUC à 0.89 (IC95 [0.80-0.90]) et les basses fréquences pour la LAS avec une AUC à 0.84 (IC95 [0.83-0.85]). Dans l’étude DYSVENT, la détection d’une ACLV était insuffisante pour mettre en évidence des situations à risque d’inconfort respiratoire sous ventilation mécanique. L’étude DYSPEV a permis de faire la preuve de concept chez le volontaire sain de la détection et la quantification d’une dyspnée expérimentale à l’aide d’une BCI basée sur les PEVRP. Une BCI globale combinant ces 2 techniques pourrait être développée pour assister les soignants au quotidien dans la reconnaissance et la prise de l’inconfort respiratoire sous VM en réanimation.
Origine : Version validée par le jury (STAR)
Loading...