Geavanceerde oplossingen voor neonatale slaapanalyse en de effecten van hersenontwikkeling

Wereldwijd wordt ongeveer 11% van de baby's vóór 37 weken zwangerschap geboren. De overlevingskansen van deze premature baby's zijn de laatste decennia gestaag toegenomen als gevolg van de technische en medische vooruitgang op de dienst neonatale intensieve zorgen (NIC). De focus van de medische zorg bij vroeggeboren kinderen is daarom geleidelijk geëvolueerd van het verhogen van levenskansen naar het verbeteren van de levenskwaliteit. In dit opzicht is het bevorderen en ondersteunen van optimale hersenontwikkeling van cruciaal belang.
Omdat deze baby's geboren worden tijdens een periode van snelle groei en ontwikkeling van de hersenen, zijn ze gevoelig voor hersenletsels en bijgevolg kwetsbaar voor neurologische ontwikkelingsachterstand. 
Om patiënten met verhoogd risico op beperkingen te identificeren, is nauwgezet toezicht op de neurologische functie tijdens de eerste kritieke weken van primair belang in de huidige NICs. 
Elektro-encefalografie (EEG) is een nuttig instrument voor continue niet-invasieve hersenmonitoring tijdens het verblijf in de couveuse. De hersengolven en patronen in het neonatale EEG verschaffen interessante informatie over de hersenfunctie van pasgeborenen. Visuele interpretatie is echter een tijdrovende en eentonige taak die bovendien kennis van experts vereist. Er is dus behoefte aan geautomatiseerde analyse van de neonatale EEG kenmerken. Het werk dat in dit proefschrift wordt gepresenteerd wil hiertoe bijdragen. 

Het eerste deel van deze thesis richt zich op de ontwikkeling van algoritmes om slaapstadia bij premature baby's automatisch te classificeren. Drie verschillende methodes worden uitgewerkt. 
In de eerste methode wordt het probleem traditioneel benaderd en wordt een reeks complexiteitskenmerken van het EEG gecombineerd met een classificatiemodel. Deze analyse toont aan dat de complexiteit van het EEG-signaal fundamenteel verschillend is afhankelijk van de slaapfase waarin de baby zich bevindt. Voortbouwend op deze vaststelling, wordt een nieuwe, tensor-gebaseerde aanpak voorgesteld die diepe slaap op een ongesuperviseerde manier detecteert. Tot slot wordt een diep convolutioneel neuraal netwerk geïmplementeerd om neonatale slaapstadia van elkaar te onderscheiden. Dit model optimaliseert tegelijkertijd de extractie van de attributen en het classificatiemodel, waardoor de moeilijke taak van feature engineering overbodig wordt.

Het kwantificeren van de hersenontwikkeling bij premature baby's maakt het onderwerp uit van het tweede deel. We stellen vast dat de complexiteit van de EEG signalen significant positief gecorreleerd is met de postmenstruele leeftijd van de baby. Bovendien worden deze veelbelovende kenmerken gebruikt om een hersenleeftijdsmodel te ontwikkelen. Hiermee kan de leeftijd van de baby nauwkeurig geschat worden en is het dus mogelijk om de functionele hersenrijping te beoordelen. Daarnaast wordt de relatie tussen vroege functionele en structurele hersenontwikkeling onderzocht aan de hand van twee complementaire beeldvormingstechnieken, EEG en MRI. Regressiemodellen tonen aan dat de hersenactiviteit tijdens de eerste postnatale dagen verband houdt met de grootte en groei van het cerebellum in de daaropvolgende weken.
Ten slotte wordt de invloed van de schildklierfunctie op de ontwikkelende hersenen bij extreem premature baby's onderzocht. Er werd geen significant verband waargenomen tussen de verandering in vrije thyroxine concentraties tijdens de eerste levensweek en de maturiteit van corticale activiteit op a terme leeftijd. Om meer licht te werpen op de precieze relatie tussen schildklierwerking en de hersenmaturatie, zijn er in de toekomst prospectieve studies nodig met een meer homogene dataset.