Browsing by Issue Date, starting with "2017-10-30"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
- Cerebral and cardiovascular effects of analgesic doses of ketamine during a target controlled general anesthesia: a prospective randomized studyPublication . Campos, M. T.; Araujo, A. M.; Nunes, Catarina S.; Machado, Humberto S.Introduction: Ketamine is increasingly being used in various pain settings. The purpose of this study was to assess the effect of an analgesic dose of ketamine in the bispectral index (BIS), spectral edge frequency (SEF-95), density spectral array (DSA), cerebral oximetry (rSO2) and mean arterial pressure (MAP) during general anaesthesia with a target controlled infusion. Methods: A prospective, single-blinded and randomized study on adult patients scheduled for elective spine surgery was carried out. After anaesthesia induction with propofol, remifentanil and rocuronium, when a stable BIS value (45-55) was achieved, an automatic recording of BIS, SEF-95, rSO2 and MAP values during 9 min was performed to establish patients baseline values. Subsequently, patients were randomly assigned to receive a ketamine bolus dose of 0.2 mg/kg, 0.5 mg/kg or 1 mg/kg; all variables were recorded for additional 9 min after the ketamine bolus, in the absence of any surgical stimulus. A p-value <0.05 was considered significant in the statistical analysis. Results and discussion: Thirty-nine patients were enrolled in the study. Our results show a dose-related increase of SEF-95 and BIS values. DSA demonstrate a shift in the frequency range and power distribution towards higher frequencies. Our results do not show significant differences in MAP and rSO2 values. Conclusion: When ketamine is used intraoperatively in analgesic doses, the anaesthetist should anticipate an increase in SEF-95 and BIS values which will not be associated with the level of anaesthesia.
- Aplicação de técnicas de aprendizagem supervisionada a dados de comportamento motorPublication . Lopes, Jailson Almeida Santos; Serranho, Pedro; Silva, Luís Miguel Domingues FerreiraNeste trabalho pretende-se estabelecer um modelo de classificação multiclasse baseado em técnicas de aprendizagem supervisionada como Máquinas de Vetores Suporte (SVM – Support Vector Machines), em dados de comportamento motor. Para tal, consideramos dados clínicos de duas amostras: 161 sujeitos diagnosticados com a Doença de Parkinson (DP), submetidos a um estudo de evolução desta doença para a função motora, nos seus diferentes estadios; e 98 sujeitos com a DP, que foram submetidos a uma tarefa de visualizar um ponto móvel, onde foram usados 5 conjuntos de features relacionadas à Distância, Amplitude, Área, Velocidade e Frequência de oscilação do referido ponto. Para a primeira amostra foram consideradas as seguintes features de marcha: Comprimento, Largura, Velocidade e Simetria da passada. A partir destes dados o objetivo é assim entender quais destas features mais contribuem para a classificação dos sujeitos nos diferentes estadios da doença. Numa análise preliminar sobre a caracterização da amostra por grupo, foi aplicada a ANOVA simples para igualdade das médias de altura e idade por estadio. De seguida realizaram-se estudos de validação cruzada (cross validation) do modelo SVM para determinar os melhores parâmetros após uma pesquisa em grelha (grid search). Começamos por testar o SVM linear nos dados iniciais para a classificação, passando depois para o não-linear. Uma vez que o algoritmo tendia a classificar todos os elementos como pertencentes à classe com maior dimensão, de seguida testamos para novas amostras com as classes de dimensões equilibradas. Consideramos as features de maior diferença de médias entre as classes, a retirada das features correlacionadas e outliers da amostra, e ainda o caso binário com as classes agrupadas duas a duas, onde 1 e 2 formam a classe A, 3 e 4 a B, para tirar complexidade à classificação. Foi ainda realizada a classificação binária de discinesias do membro superior entre indivíduos diagnosticados com ou sem essa discinesia. Novamente equilibramos as dimensões das classes pelo mesmo motivo acima referido. Na maioria dos casos considerados, o modelo obtido não foi satisfatório para o caso multiclasse, para as duas amostras, pelas taxas de precisão baixa em relação aos dados. A precisão melhorou para o caso binário com as amostras equilibradas, para as features Distâncias, e Amplitudes com a extração das correlacionadas, com 80.77% de precisão com Kernel RBF, em relação aos dados. Concluímos que estas features são as que melhor distinguem os estadios de Parkinson.