Diagnóstico de distúrbios da consciência usando mapas topográficos de EEG derivados de características não lineares por meio de deep learning

Ouvindo sinais de percepção

Quando uma pessoa querida permanece sem resposta após uma lesão cerebral grave, familiares e médicos enfrentam uma pergunta dolorosa: ainda há alguma percepção dentro do cérebro e, em caso afirmativo, quanto? Exames tradicionais à beira do leito podem perder sinais sutis de consciência, levando a diagnósticos incorretos que impactam o cuidado, a reabilitação e até decisões de fim de vida. Este estudo explora uma nova forma de “ouvir” o cérebro lesionado usando registros de EEG, uma medida matemática da complexidade do sinal e algoritmos de deep learning para distinguir melhor entre duas condições principais: o estado vegetativo e o estado minimamente consciente.

Dois estados não responsivos muito diferentes

Após uma lesão cerebral grave, alguns pacientes abrem os olhos mas não apresentam sinais claros de percepção; eles são descritos como em estado vegetativo, também chamado de síndrome de vigília sem resposta (VS/UWS). Outros podem ocasionalmente obedecer comandos simples, acompanhar objetos com o olhar ou reagir de forma significativa a vozes ou toques; esses pacientes são considerados em estado minimamente consciente (MCS). Embora os comportamentos pareçam semelhantes à primeira vista, as chances de recuperação e o tipo de reabilitação necessários podem ser muito diferentes. Ainda assim, até equipes clínicas especializadas classificam erroneamente até 40% desses pacientes quando se baseiam principalmente na observação à beira do leito. Os autores buscaram oferecer suporte aos clínicos com uma ferramenta objetiva baseada no cérebro, que pudesse ser usada à beira do leito e não dependesse da capacidade do paciente de se mover ou falar.

Medindo a complexidade cerebral com som e silêncio

Os pesquisadores estudaram 104 adultos com distúrbios da consciência que foram avaliados cuidadosamente com uma escala padronizada de recuperação do coma. Cada paciente teve sua atividade cerebral registrada com um sistema de EEG de 19 canais enquanto descansava em silêncio e novamente enquanto ouvia sua música animada favorita, escolhida com base em entrevistas com a família. Em vez de focar em ondas cerebrais tradicionais, a equipe calculou uma medida não linear chamada entropia aproximada, que captura quão complexo e imprevisível o sinal de EEG é ao longo do tempo. Em termos simples, entropia mais alta reflete uma atividade cerebral mais rica e variada, associada ao processamento consciente. Os valores de entropia de cada eletrodo do couro cabeludo foram transformados em mapas topográficos coloridos, criando uma espécie de “retrato de complexidade” do cérebro tanto em repouso quanto na condição com música.

Ensinando uma rede neural a ler os mapas

Para transformar esses mapas em uma ajuda diagnóstica, a equipe treinou uma rede neural convolucional (CNN) — um tipo de sistema de deep learning frequentemente usado em reconhecimento de imagens — para distinguir VS/UWS de MCS. Para cada paciente, múltiplos segmentos de EEG de 1 segundo foram convertidos em mapas de entropia e montados em imagens que serviram como entrada para a CNN. Em paralelo, os autores construíram mais dois modelos tradicionais de machine learning: uma máquina de vetores de suporte e uma rede neural de regressão generalizada, usando características numéricas selecionadas do EEG. Em seguida, compararam o desempenho de cada abordagem ao rotular um grupo de teste independente de pacientes cuja graduação verdadeira foi determinada por avaliação clínica cuidadosa.

Diferenças claras nos sinais cerebrais e maior precisão

O estudo constatou que pacientes em estado minimamente consciente apresentaram entropia mais alta em várias regiões cerebrais do que aqueles em estado vegetativo, especialmente no lado esquerdo da cabeça e durante a música preferida. Em pacientes com MCS, valores mais elevados de entropia foram significativamente associados a pontuações mais altas na escala de recuperação do coma, sugerindo que a medida acompanha diferenças reais na percepção. Quanto à classificação automática, a CNN obteve o melhor desempenho: distinguiu corretamente os dois grupos em cerca de 90% das vezes e alcançou uma medida resumo de alta acurácia (AUC 0,90). A máquina de vetores de suporte teve desempenho razoável, enquanto a rede de regressão generalizada ficou atrás. Em conjunto, esses resultados indicam que alimentar mapas cerebrais semelhantes a imagens em um modelo de deep learning pode captar padrões espaciais sutis que métodos mais simples deixam escapar.

O que isso pode significar para pacientes e famílias

Para não especialistas, a conclusão-chave é que a “complexidade do sinal” cerebral durante o repouso e enquanto se escuta música significativa carrega pistas valiosas sobre a percepção oculta. Ao transformar essas pistas em mapas fáceis de interpretar e permitir que uma rede neural aprenda com eles, os pesquisadores criaram uma ferramenta que pode ajudar a distinguir pacientes verdadeiramente inconscientes daqueles que mantêm uma forma frágil, mas real, de consciência. Embora o trabalho precise ser confirmado em grupos maiores e mais diversos de pacientes, ele aponta para um futuro em que registros rotineiros de EEG, combinados com sons escolhidos com cuidado e inteligência artificial moderna, ofereçam uma voz mais confiável para quem não pode falar por si mesmo.

Citação: Qu, S., Wu, X., Huang, L. et al. Diagnosis of disorders of consciousness using nonlinear feature derived EEG topographic maps via deep learning. Sci Rep 16, 7417 (2026). https://doi.org/10.1038/s41598-026-36733-6

Palavras-chave: distúrbios da consciência, EEG, deep learning, estado vegetativo, estado minimamente consciente