Alai

Introdução

Electroencefalografia intracraniana (IEEG) transcende muitos limites físicos da electroencefalografia do couro cabeludo (EEG) e magnetoencefalografia (MEG) através do registo de sinais directamente do tecido cerebral. Os rápidos avanços no processamento computacional nas últimas décadas expandiram as capacidades de software e hardware, permitindo gravações simultâneas de centenas de locais intracranianos com precisão de microssegundos. Esses aumentos na resolução temporal e espacial melhoraram a precisão diagnóstica para localização de convulsões (Andrews et al., 2019; Cuello Oderiz et al., 2019) e levaram a uma aceleração na pesquisa neurofisiológica intracraniana humana (Chang, 2015; Parvizi e Kastner, 2018).

Embora com ferramentas computacionais emergentes e capacidades para análise de conjuntos de dados massivos, a riqueza de oportunidades neurocientíficas e descobertas potenciais é promissora. Entretanto, a análise de sinais em registros intracranianos humanos invoca armadilhas inerentes que são presumivelmente abordadas, mas minimamente reconhecidas em muitos estudos neurofisiológicos de pacientes humanos – como as descargas de epileptiformes interictais (IEDs). Os IEDs são explosões transitórias de atividade produzidas por grupos de neurônios que estão patologicamente conectados devido à epilepsia, resultando em formas de onda distintas e proeminentes durante os registros do IEEG (Figura 1A). Esta Perspectiva irá chamar a atenção para os perigos do IED, efeitos potenciais nas estratégias de análise comuns, e descrever estratégias comuns para evitá-los de modo que a onda crescente de descobertas na neurofisiologia humana continue a avançar esperançosamente sem erros.

A Natureza dos Perigos dos IEDs na Neurofisiologia de IEEG Humano

O cerne da nossa visão é que o paradigma da neurofisiologia intracraniana humana expõe os cientistas bem intencionados a riscos de resultados errôneos devido a dois fatores principais:

(1) Os eletrodos são implantados em regiões do cérebro humano que são consideradas susceptíveis de revelar assinaturas neurofisiológicas de epilepsia em ambos os contextos ictal e interictal – que são frequentemente formas de onda de grande amplitude.

(2) As análises de processamento de sinais que são comumente usadas para neurofisiologia humana são extremamente sensíveis às formas de onda de grande amplitude descritas em #1, que causam resultados espúrios.

Por isso, conjuntos de dados IEEG comumente contêm assinaturas elétricas de epilepsia que transmitem risco de resultados distorcidos quando incluídos em análises de sinais comuns, tais como medidas de potência e coerência, e métodos relacionados, tais como co-modulação de fase de potência (Kramer et al, 2008). Uma maneira de explicar este problema é que muitos métodos de processamento de sinais neurais, tais como análises baseadas em Fourier, Wavelet e Hilbert-, assumem um substrato de dados sinusoidais (van Drongelen, 2018). Ondas de grande amplitude ou deflexões bruscas (grande ou mesmo pequena amplitude), portanto, predispõe a representações de muitas freqüências que podem ser amplamente espúrias, uma vez que muitas funções sinusoidais consecutivas podem se ajustar a esses elementos da forma de onda. Nas Figuras 1B-D, mostramos exemplos de como os equipamentos podem facilmente deturpar sinais neurofisiológicos desta forma através dos métodos espectrais comumente utilizados nas transformações de Hilbert, Wavelet e Fourier. Nas bandas de freqüência mais baixas, tanto os componentes de onda aguda como os de onda lenta dos equipamentos podem induzir um aumento de potência em qualquer freqüência que se ajuste a estas características. Em bandas de frequência mais altas, esta impressionante potência irrompe em vastos trechos de níveis de frequência contínua e pode ser referida como um zumbido ou vazamento espectral (Scheffer-Teixeira et al., 2013). Isto pode ser evidente em toda a banda gama alta (50-200 Hz ou outra faixa semelhante), um problema preocupante dado que muitos laboratórios de neurofisiologia utilizam alta atividade gama dado seu valor potencial como substituto para a atividade neural local (Ray et al., 2008). O exemplo da Figura 1H demonstra como a inclusão cumulativa (Figuras 1E-G) de ensaios com picos adiciona variabilidade espúria (arriscando um falso negativo) ou influencia a significância estatística (arriscando um falso positivo).

Este problema poderia ser mais generalizado do que nos registros de EEG ou MEG devido ao contato direto do tecido neural, que pode transmitir amplitudes de picos maiores e deflexões mais acentuadas, particularmente no caso de IEDs, contaminando as análises neurofisiológicas. Além disso, os eletrodos intracranianos são colocados especificamente em regiões que provavelmente estarão clinicamente associadas com o foco de crise epilética, levando a IEDs fortes e/ou freqüentes em alguns conjuntos de dados do IEEG.

Anecdotalmente, a maioria dos pesquisadores em neurofisiologia humana concordariam que a contaminação dos dados pelos IEDs é de conhecimento comum, embora o impacto disso possa variar para certos tipos de análises (Meisler et al., 2019). De fato, antecipar-se-ia que muitos laboratórios de pesquisa possuem estratégias para contornar, ou pelo menos minimizar, este problema. Entretanto, quando praticamente avaliado, este problema e suas potenciais ramificações podem ser muito mais generalizadas do que o previsto. Um terceiro fator complicador pode ilustrar como isto pode ser assim:

(3) Os pesquisadores de neurofisiologia (especialmente os primeiros estagiários, como estudantes e pesquisadores de pós-doutorado) podem não receber treinamento direto na identificação de IEDs ou artefatos elétricos. Além disso, o espectro das morfologias potenciais dos IEDs, e como suas características distintas podem contaminar as análises de sinais, pode não ser gravado dentro do treinamento padrão.

Como uma complicação adicional, a concordância entre os médicos para a detecção de IEDs é surpreendentemente pobre, mesmo entre epileptologistas totalmente treinados (Barkmeier et al, 2012; Janca et al., 2015).

Estratégias para o manuseio de IEDs

Existe uma variedade de abordagens ao encontrar IEDs em dados, que podem ou não depender de sua taxa e extensão espacial (por exemplo, um pesquisador pode não estar inclinado a curar e “limpar” um conjunto de dados para um pico por minuto, mas pode ser para 10 picos por minuto). Destilamos as abordagens potenciais dos pesquisadores em quatro estratégias principais. A primeira é identificar e remover manualmente quaisquer ensaios ou períodos durante os quais os IEDs ocorrem, aqui referidos como Estratégia 1. Os dados são analisados através do exame de parcelas dos dados registrados com ou sem algum pré-processamento (notch e/ou filtragem bandpass) e segmentos de dados que contenham IEDs são marcados para que quaisquer ensaios que se sobreponham a esses segmentos possam ser deixados de fora das análises ou convertidos em valores ausentes.

Determinados pesquisadores receberam treinamento clínico formal na leitura de EEG/iEEG, embora isso seja menos comum para muitos pesquisadores não-clínicos que são treinados através de trilhas acadêmicas de pós-graduação-científica. Embora muitos tenham recebido treinamento didático e/ou um-a-um sobre como identificar e remover ensaios IED de conjuntos de dados, alguns podem não ter recebido. Complicando o assunto, os conjuntos de dados do IEEG estão longe de ser padronizados devido às diferenças de registro: o layout das redes geradoras de convulsões difere para cada paciente resultando em números variáveis de eletrodos, sem mencionar as diferenças individuais em neuroanatomia e a lateralidade do implante. Existem modos de contacto mistos (grelhas, tiras, profundidades) de densidades variáveis, juntamente com a ordenação personalizada dos canais (montagens). Todos estes fatores levam a uma maior dificuldade na interpretação das análises IEEG, particularmente para aqueles que não receberam treinamento adequado (formal ou informal) para a identificação do IED nestes layouts de registro. Finalmente, à medida que a duração das gravações aumenta, a Estratégia 1 diminui em termos práticos devido a restrições de tempo e esforço.

Algoritmos de detecção de picos computacionais foram desenvolvidos nas últimas décadas para equipar a próxima geração de cientistas com capacidades eficazes e padronizadas de detecção de picos, poupar tempo e contornar o erro humano. A utilização de detectores IED e a remoção dos ensaios/dados afetados de forma automatizada constitui outra abordagem, à qual chamaremos Estratégia 2. Felizmente, os IEDs tendem a ter as características que muitas vezes são salientes para muitos algoritmos: grande amplitude, componentes agudos e, às vezes, com oscilações fisiopatológicas de alta frequência que são menos frequentemente encontradas no cérebro normal (ver Frauscher et al., 2018b). Idealmente, um algoritmo maximizará tanto a sensibilidade como a especificidade, diminuindo ou removendo a contribuição (supervisão, como a definição de limiares) necessária do usuário. No entanto, é difícil satisfazer completamente esta lista de desejos e, portanto, muitos algoritmos foram desenvolvidos usando uma variedade de abordagens automatizadas e não supervisionadas. Estas incluem derivações de EEG (White et al., 2006), comprimentos de linha e transformadas de potência (Esteller et al., 2001; Bergstrom et al., 2013), funções de transferência direcionada adaptativa (Wilke et al., 2009), filtros espaciais (Liu et al., 2015), e algoritmos de correspondência de picos como regressão espaço-temporal (Tousseyn et al., 2014) e factorização de matriz não-negativa (Baud et al., 2018) entre muitas outras abordagens. Todas as ferramentas têm trade-offs de sensibilidade e especificidade; nenhuma abordagem oferece 100% de certeza, e isto é ainda mais complicado pela falta de um padrão de ouro humano confiável. Especificamente, a fraca concordância entre os médicos quanto à detecção manual entre indivíduos altamente treinados, acima mencionada, e a “zona cinzenta quantitativa” de pequenos IEDs questionáveis que eles podem ignorar, são ressalvas fundamentais para o teste de algoritmos. Por último, enquanto quase todos os novos métodos são comparados à detecção manual ou a um outro método automatizado, uma comparação ampla entre a maioria ou todos os métodos automatizados é difícil devido aos desafios técnicos de implementar cada um deles por sua vez em um conjunto de dados suficientemente grande (Westover et al., 2017). No entanto, a remoção automática de picos interictais usando abordagens não supervisionadas e/ou supervisionadas pode poupar tempo, padronização de abordagens e melhorar a qualidade dos dados neurofisiológicos.

Como resultado das advertências (e potenciais falácias) dos algoritmos de detecção automática, alguns pesquisadores que os empregam podem hesitar em permitir total discrição a este mecanismo. Uma vez que as abordagens de detecção automatizada podem aumentar drasticamente a eficiência da maioria das detecções óbvias, uma terceira estratégia (Estratégia 3) é uma abordagem híbrida das Estratégias 1 e 2, na qual as detecções automatizadas também são rastreadas manualmente (muitas vezes nesta ordem, embora a ordem oposta ou múltiplas iterações também possam ser aplicadas). Um exemplo deste híbrido é através da utilização de distribuições de características morfológicas (por exemplo, inclinação, medidas de potência, etc.) às quais pode ser aplicado um limiar, seguido de inspecção manual para potenciais falsos positivos e/ou negativos.

Dada a complexidade da recolha destes preciosos dados e a sua escassez associada, um inconveniente comum às Estratégias 1, 2 ou 3 é que a remoção do ensaio reduz o poder estatístico. Assim, outro viés – manter mais ensaios – permite introduzir mais resultados de sinais espúrios potenciais, adicionando o risco de falsos negativos e positivos, como descrito acima.

A preferência por manter o maior número possível de ensaios introduz uma estratégia diferente para lidar com os IEDs: o agnosticismo, no qual os IEDs são ignorados (não avaliados) e nenhum ensaio é removido (Estratégia 4). Naturalmente, pode-se assumir que os dados afligidos pelos IEDs serão pouco freqüentes e aleatórios o suficiente para que os timepoints afetados se misturem no fundo de um sinal médio, adicionando variabilidade mas não enviesando significativamente os resultados. Entretanto, espera-se que as assinaturas neurofisiológicas relacionadas com as tarefas surjam da análise e prevaleçam, se presentes, em virtude da sua consistência ao longo dos ensaios. Como um problema sinal-ruído, esta suposição pode ser válida para IEDs pouco freqüentes, especialmente com um forte tamanho de efeito experimental (embora uma camada adicional de segurança de utilização de estatísticas não paramétricas possa ser aconselhada). No entanto, uma maior frequência (Figuras 1E-H) e/ou IEDs maiores ou mais acentuados podem prejudicar esta abordagem. No entanto, o poder estatístico robusto é sempre preferido, e muitas vezes requer um grande número de testes que são mais provavelmente atingidos na abordagem agnóstica da Estratégia 4, particularmente para o tamanho do efeito sutil. De fato, um estudo recente (Meisler et al., 2019) avaliou formalmente se a remoção manual, automatizada ou sem remoção dos equipamentos afetava seus achados neurofisiológicos em uma tarefa de memória episódica – eles não encontraram nenhum efeito claro de qualquer abordagem, embora enfatizassem a importância de um número suficiente de estudos. Em uma nota relacionada, análises de aprendizagem de máquinas mais recentes requerem grandes volumes de dados de treinamento para construir modelos precisos – estes, juntamente com abordagens de aprendizagem profunda, podem aprender a diferenciar entre sinais neurofisiológicos normais e formas de onda patológicas do IED, desde que os dados do treinamento anterior sejam etiquetados com precisão (muitas vezes manualmente). Assim, a estratégia agnóstica tem um certo apelo (incluindo baixo esforço) e poderia ser um bom padrão para alguns estudos, supondo que haja dados suficientes para empregá-la.

Prática atual entre os pesquisadores do IEEG

Tendo em mente essas diversas estratégias gerais, como os IEDs são atualmente manuseados pelos pesquisadores de neurofisiologia humana? Avaliamos esta questão das “Práticas Atuais”, resumindo primeiramente como os pesquisadores descrevem seus métodos na literatura publicada. Procuramos no PubMed usando duas amplas consultas: (intracraniano e eeg; electrocorticografia) e filtramos os resultados para incluir apenas os estudos publicados em 2018. Limitamos os resultados da pesquisa examinando cada artigo (613 artigos únicos) e incluímos apenas aqueles que mediram sinais neurofisiológicos intracranianos em humanos e pareceu tirar conclusões sobre neurofisiologia normal (91 total). Embora estas condições de busca não sejam exaustivas, elas fornecem uma visão contemporânea de diversos grupos em todo o mundo estudando a neurofisiologia humana normal in vivo. Verificamos que a maioria destas publicações aludiram ao uso de métodos manuais (Figura 2A), incluindo a identificação direta de IEDs, ou uma abordagem similar (ainda mais conservadora) de identificação e exclusão de eletrodos que estavam cobrindo os focos de convulsão. Menos de 5% dos manuscritos utilizaram métodos totalmente automatizados, e nenhum dos artigos incluídos utilizou a abordagem agnóstica (Estratégia 4). Novamente, nossa amostra de artigos incluídos foi limitada e esses resultados podem não representar totalmente o campo.

Dados métodos de manuseio de IEDs não pareciam estar descritos em detalhes em muitos dos artigos, nós avaliamos ainda mais nossa pergunta “Práticas Atuais” através do desenho de uma pesquisa anônima. Esta pesquisa (aproximadamente ~2 min) consistiu em perguntas sobre o nível de carreira, se eles estavam familiarizados com os IEDs no IEEG, e tiveram formação formal ou informal ou nenhuma formação sobre identificação e remoção de IEDs, juntamente com uma seleção de quais das Estratégias (1-4) acima eles tendiam a usar (ou outras). Enviamos um e-mail aos autores correspondentes listados dos artigos descritos acima (79 no total, pois alguns artigos se sobrepuseram ou tiveram múltiplos autores correspondentes) solicitando sua participação voluntária, que seria anônima (isenta dos requisitos de IRB por UCSF IRB Office). Pedimos a esses indivíduos que encaminhassem a pesquisa também para outros colegas e colegas de trabalho.

Recebemos uma taxa de resposta de 44%, com os respondentes da pesquisa ponderados em relação aos membros do pós-doutorado e do corpo docente, provavelmente devido a um viés amostral via e-mail para uma população de autores correspondentes (Figura 2B). É importante ressaltar que as respostas desses membros seniores do laboratório podem provavelmente representar a prática de seu laboratório como um todo em sua Estratégia de IED, embora isso seja menos aplicável para as questões de familiaridade e treinamento do IED. Todos os respondentes indicaram estar familiarizados com os IEDs, um resultado reconfortante, embora possivelmente influenciado pela natureza da pesquisa. Em relação à formação sobre o reconhecimento de IEDs e método(s) de manejo, a maioria foi treinada informalmente (Figura 2C), e alguns não foram treinados de forma alguma. Não surpreende que aqueles que se identificaram como formalmente treinados fossem docentes juniores e seniores, de acordo com os requisitos clínicos da bolsa para o treinamento formal de EEG na maioria dos contextos. A maioria dos respondentes utilizou ou uma abordagem manual, isoladamente ou como um híbrido manual-automatizado (Estratégias 1 e 3; Figura 2D), geralmente comparável à revisão da literatura (Figura 2A), conforme esperado. Curiosamente, não encontramos artigos que indicassem explicitamente o uso da Estratégia 4 (“agnóstico”), apesar de 9% dos entrevistados se identificarem como tal, e a incorporação de métodos automatizados (Estratégias 2 e 3) ter uma representação maior nas respostas à pesquisa (55%) do que na revisão da literatura (14%). No entanto, estas discrepâncias poderiam ser explicadas pelo viés de relato, dados os diferentes contextos dos métodos manuscritos versus uma pesquisa direta, e pelo viés de amostragem (taxa de resposta à pesquisa).

Outras Considerações

Embora este artigo focalize principalmente os IEDs, os perigos e estratégias aqui descritos podem e devem ser estendidos a outros artefatos elétricos ou não-fisiológicos (movimentos de cabos, estalos de eletrodos, saturação de amplificadores, etc.), uma vez que podem envolver deformações de grande amplitude semelhantes. Em relação à exclusão de canais, os canais com IEDs abundantes são particularmente problemáticos para os métodos automatizados que se baseiam em estimativas de fundo. Além disso, se for necessário estudar a neurofisiologia normal, estes canais e quaisquer que se saiba estarem em tecido lesional devem ser excluídos completamente (Frauscher et al, 2018a); esta prática foi refletida em cerca de um terço dos manuscritos em nossa revisão de literatura (Figura 2A).

Precisando um controle experimental adequado, muitas vezes é fundamental que a marcação do IED seja realizada enquanto cego para os eventos da tarefa e condições experimentais (mais relevante para as Estratégias 1 e 3 manuais), para evitar vieses que poderiam influenciar os resultados do estudo (por exemplo, removendo ensaios com IEDs mais frequentemente de uma condição do que de outra). Em relação a potenciais confusões em estudos baseados em ensaios, assume-se frequentemente que os IEDs ocorrem de forma imprevisível, até ao ponto de aleatoriedade: esta suposição é favorável se se deixar os IEDs nos dados (Estratégia 4), uma vez que os falsos-positivos e -negativos seriam diminuídos através da média dos ensaios, o que melhora a relação sinal/ruído neurofisiológico. No entanto, deve-se observar que o timing dos IEDs pode não ser necessariamente aleatório em uma tarefa comportamental. Foi descrita a modulação dependente da tarefa do momento ou quantidade de IEDs (Matsumoto et al., 2013), o que poderia confundir os resultados ao ponderar preferencialmente os resultados espúrios em determinados segmentos do estudo mais do que em outros. Isso argumentaria contra o uso da Estratégia 4, embora, mais uma vez, o enigma dos números de ensaios e do poder estatístico possa ser problemático, como observado acima.

Por último, além das implicações de processamento de sinais, vale a pena mencionar que os IEDs também podem interromper transitoriamente a disfunção neural local da região em que ocorrem (Krauss et al., 1997; Kleen et al., 2013; Horak et al., 2017; Ung et al., 2017). Isso poderia levar a erros cognitivos que poderiam influenciar análises baseadas em ensaios e outras análises, apresentando um argumento à parte para a exclusão de ensaios com IEDs ao fazer conclusões sobre o processamento cognitivo “normal”.

Conclusões

A aceleração da neurofisiologia intracraniana humana transmite grande excitação para descobertas e capacidades iminentes, incluindo a expansão das neurociências básicas, melhorando a terapêutica clínica e o desenvolvimento de interfaces cérebro-máquina. No entanto, os DEIs apresentam armadilhas de resultados espúrios, difíceis de evitar pela natureza do tecido epiléptico in vivo a partir do qual os dados são registrados. É necessária uma maior vigilância para evitar os IEDs nos dados se/quando apropriado, o que pode ser proporcionado pela consideração e utilização das estratégias listadas acima. Sugerimos também que os pesquisadores de nível médio e superior façam tentativas para melhorar e fornecer apresentações ou simulações padronizadas de treinamento em seus laboratórios para métodos de identificação, detecção e remoção de IEDs. Isso equipará os pesquisadores mais jovens com um importante conjunto de habilidades para compreender e escrutinar construtivamente seus próprios dados e os de outros. Além disso, são necessárias melhorias na comunicação científica (Suthana et al., 2018), de modo que os manuscritos sobre neurofisiologia humana normal devem transmitir claramente a abordagem utilizada para o manuseio de IEDs e sua justificativa no contexto de seu estudo. Espera-se que tais práticas de maior vigilância e comunicação clara melhorem a reprodutibilidade para que o campo possa continuar sua aceleração sem contratempos previsíveis.

Data Availability Statement

Os dados da pesquisa neste artigo podem ser baixados de doi: 10.5281/zenodo.3626105.

Ethics Statement

Os estudos envolvendo participantes humanos foram revisados e aprovados pelo Conselho de Revisão Institucional da Universidade da Califórnia em São Francisco. Não foi necessário o consentimento livre e esclarecido por escrito para a participação neste estudo, de acordo com a legislação nacional e os requisitos institucionais.

Contribuições dos autores

SA e JK desenvolveram o conceito do manuscrito, criaram e distribuíram a pesquisa, fizeram a pesquisa bibliográfica e escreveram o manuscrito. O ML e o EC forneceram feedback e edições significativas para o manuscrito. Todos os autores leram e aprovaram o manuscrito submetido.

Funding

SA foi financiado por um Suplemento de Diversidade do NIH sob a R01-DC012379. JK foi financiado pelo National Institutes of Health/National Institute of Neurological Disorders and Stroke (NIH/NINDS), com os subsídios R25NS070680 e K23NS110920. O ML foi financiado pelo NIH Grant R01-DC015504, F32-DC013486 e pelo Kavli Institute for Brain and Mind e contrato DARPA N66001-17-2-4008. EC foi financiado pelo NIH Grants (R01-DC012379, R00-NS065120, e DP2-OD00862) e pelo Esther A. e Joseph Klingenstein Fund.

Conflito de Interesses

Os autores declaram que a pesquisa foi conduzida na ausência de quaisquer relações comerciais ou financeiras que pudessem ser interpretadas como um potencial conflito de interesses.

Agradecimentos

Agradecemos a Maxime Baud e Han Yi pelas suas discussões e comentários úteis durante o desenvolvimento deste manuscrito.