Introduzione dell’Intelligenza Artificiale nella gestione del segnale biologico dei potenziali evocati motori

The neuroimaging techniques associated with the introduction and application of multimodal intraoperative neurophysiological monitoring (IONM) have enabled significant progress in preventing iatrogenic injuries. IONM examines the integrity of neural pathways by monitoring the activation threshold and functionality of those pathways. Thanks to the recording of somatosensory evoked potentials (SEPs), motor evoked potentials (m-MEPs), and related techniques, it has been shown that these methods play a crucial predictive role in post-operative outcomes. This study aims to introduce artificial intelligence in the management of motor evoked potential signals in the operating room by recording these signals at the beginning and end of the surgery. Data related to the pathology that required the surgery, age, latency, amplitude, and the number of phases of MEPs recorded from four target muscles (right and left abductor pollicis brevis, and right and left abductor hallucis) were collected. Subsequently, delta values for the amplitude and phases of each muscle were calculated. The data were retrieved from the IONM database of the clinical neurophysiology department at CTO Hospital in Turin. Of the 90 recordings extracted from the CTO hospital's IONM database, 38 patients did not show any alterations in the m-MEPs, while 52 did present alterations. The features were fed to a Bayesian classifier in decreasing order of AUC through a 3- fold cross-validation strategy. Finally, the point where training and validation achieved the highest performance level was selected. The task of the AI is to provide a prediction regarding the outcome of patients undergoing surgery. The AI’s prediction of patient outcomes shows: 60 true negatives, 21 true positives, 4 false negatives, and 5 false positives.

Le tecniche di neuroimaging associate e l’introduzione e applicazione di un monitoraggio intraoperatorio neurofisiologico multimodale (IONM) hanno consentito dei passi avanti nella prevenzione dei danni iatrogeni. L’IONM esamina l’integrità delle vie neurali, monitorizzando soglia di attivazione e funzionalità delle vie stesse. Grazie alla registrazione di potenziali evocati somatosensoriali (SEPs) e motori (mMEPs) e delle tecniche correlate si è dimostrato come tali metodiche siano determinanti nel loro ruolo predittivo dell’esito post-operatorio. Questo studio mira ad introdurre l’intelligenza artificiale nella gestione dei segnali biologici dei potenziali evocati motori in sala operatoria, attraverso la registrazione degli stessi ad inizio e fine intervento; sono stati raccolti dati relativi alla patologia per cui è stato richiesto l’intervento, età, latenza, ampiezza e numero di fasi dei MEPs registrati da 4 muscoli target (abduttore breve del pollice di destra e di sinistra e abduttore dell’alluce di destra e di sinistra). Successivamente sono stati calcolati dei delta per i valori di ampiezza e fasi di ciascun muscolo target. Il compito dell’IA è quello di fornire una predizione rispetto all’outcome dei pazienti sottoposti ad intervento. I dati sono stati prelevati dal database di IONM della neurofisiologia clinica dell’ospedale di CTO di Torino. Dalle 90 registrazioni estratte dal database di IONM dell’ospedale CTO di Torino 38 pazienti non hanno presentato un’alterazione dei m-MEPs, 52 invece hanno presentato un’alterazione degli stessi Le features sono state fornite ad un classificatore bayesiano in ordine di AUC decrescente attraverso una strategia di cross validazione mediante 3 fold, Infine è stato scelto il punto in cui training e validazione hanno raggiunto il massimo livello di performance La predizione dell’IA rispetto all’outcome dei pazienti mostra: 60 veri negativi, 21 veri positivi, 4 falsi negativi, 5 falsi positivi.