Reliable but Wrong? Automated Detection of Heart Rate Artifacts as a Source of Bias in Pediatric EEG Data

Resumo Técnico: Confiável, mas Errado? Detecção Automatizada de Artefatos de Frequência Cardíaca como uma Fonte de Viés em Dados de EEG Pediátrico

Definição do Problema
Pipelines de processamento automatizados, como o ICLABEL, são cada vez mais utilizados para a detecção de artefatos em Eletroencefalografia (EEG) para padronizar a análise e reduzir a subjetividade do pesquisador. No entanto, esses algoritmos são predominantemente treinados em dados de EEG de adultos saudáveis. Este estudo aborda a lacuna crítica de generalização ao aplicar tais ferramentas em populações pediátricas, particularmente aquelas com históricos de alto risco ou diferenças neurodesenvolvimentais. O problema específico investigado é a classificação incorreta de artefatos cardíacos (frequência cardíaca) no EEG de repouso pediátrico. Os artefatos cardíacos são de baixa amplitude e sobrepõem-se espectralmente às bandas de frequência de interesse comuns no EEG, especificamente theta (4–7 Hz) e beta (13–30 Hz), bem como à razão theta/beta (TBR). Enquanto pesquisadores treinados podem identificar visualmente as ondas cardíacas, pipelines automatizados treinados em dados adultos podem falhar em reconhecer esses padrões em crianças, potencialmente retendo ruído que confunde interpretações estatísticas subsequentes.

Metodologia
O estudo utilizou dados de um ensaio controlado randomizado (N=204 famílias) envolvendo crianças de 3 a 7 anos envolvidas no sistema de assistência à criança. A análise focou em um subconjunto de 47 crianças com dados completos de EEG de repouso pré e pós-intervenção.

1. Coleta de Dados: As crianças foram submetidas a gravações de EEG de repouso de 4 minutos (alternando condições de olhos fechados e olhos abertos) utilizando uma rede de sensores EGI Hydrocel Geodesic de 64 canais (ou 256 canais mapeados para 64). O eletrocardiograma (ECG) foi registrado simultaneamente.
2. Pré-processamento: O pré-processamento padrão foi realizado utilizando EEGLAB no MATLAB. Isso incluiu interpolação de sensores ruins, remoção manual de grandes artefatos de movimento e Análise de Componentes Independentes (ICA) para decompor os dados em 64 componentes.
3. Identificação de Artefatos:
   • Verdade de Campo Manual (Ground Truth): Pesquisadores treinados inspecionaram manualmente todos os componentes de ICA (topografia, série temporal e espectros de potência) para identificar artefatos cardíacos com base em critérios específicos: um dipolo sobre a cabeça, picos uniformemente espaçados na atividade do scroll e formas características do espectro de potência. Componentes que atendiam a pelo menos dois critérios foram classificados como artefatos cardíacos.
   • Classificação Automatizada: Os mesmos componentes foram processados através do ICLABEL, um algoritmo treinado em dados adultos. O estudo examinou as pontuações de probabilidade que o ICLABEL atribuiu a cada componente, focando especificamente na categoria "coração" (heart).
4. Análise Comparativa: O estudo comparou os resultados de EEG (potência theta, potência beta e TBR) entre duas condições:
   • Frequência Cardíaca Retida: Dados onde os componentes cardíacos não foram removidos (simulando um pipeline totalmente automatizado que falhou em detectar o artefato).
   • Frequência Cardíaca Removida: Dados onde os componentes cardíacos identificados manualmente foram removidos.
5. Modelagem Estatística: O impacto da retenção desses artefatos foi avaliado por meio de tamanhos de efeito de Cohen's d e modelos de regressão de Mínimos Quadrados Ordinários (OLS). Os modelos testaram os efeitos da intervenção (Terapia de Interação Pais-Filho vs. Serviços Habituais), Experiências Adversas na Infância (ACEs) e o caos doméstico (CHAOS) nos resultados de EEG, comparando os datasets "retido" vs. "removido".

Principais Resultados

• Falha Algorítmica: O ICLABEL falhou em identificar artefatos cardíacos em 100% dos casos identificados manualmente (n=92 componentes). O algoritmo atribuiu uma probabilidade de 0% de artefato cardíaco a 66 dos 92 componentes. Além disso, 13 componentes foram classificados incorretamente como atividade cerebral ("Brain") com alta confiança.
• Impacto nas Estimativas de Potência: A retenção de artefatos cardíacos inflou significativamente as estimativas de ambas as potências theta e beta. No subconjunto de participantes com artefatos cardíacos (n=27), a potência theta foi significativamente maior na condição retida (M=0,71) em comparação com a condição removida (M=0,51, p<0,001). Da mesma forma, a potência beta foi significativamente maior na condição retida (M=0,71 vs. M=0,53, p<0,001).
• Impacto na Razão Theta/Beta (TBR): Embora a TBR seja uma razão, o estudo descobriu que o viés introduzido pelos artefatos cardíacos foi amplamente neutralizado no cálculo da razão, pois tanto o numerador (theta) quanto o denominador (beta) foram inflados de forma semelhante. Consequentemente, os tamanhos de efeito da TBR permaneceram pequenos e não significativos entre as condições, mascarando o ruído subjacente nos valores de potência bruta.
• Achados Clínicos Espúrios: A retenção de artefatos cardíacos introduziu achados de falso positivo nos modelos de regressão. Especificamente, o dataset "Frequência Cardíaca Retida" mostrou um efeito principal significativo da intervenção na potência beta de olhos fechados e efeitos significativos de ACEs na potência theta e beta de olhos abertos. Esses efeitos desapareceram inteiramente quando os dados foram devidamente limpos (Frequência Cardíaca Removida), indicando que eram artefatos do ruído e não efeitos biológicos ou de tratamento reais.

Principais Contribuições

• Evidência Empírica de Viés: O estudo fornece evidência quantitativa de que pipelines automatizados treinados em dados de adultos podem classificar sistematicamente de forma incorreta artefatos cardíacos em populações pediátricas de alto risco, levando a uma taxa de erro de 100% para este tipo específico de artefato na amostra testada.
• Consequências Downstream: Demonstra que, embora métricas baseadas em razão (como a TBR) possam parecer robustas a esse ruído específico, as estimativas de potência bruta são altamente suscetíveis, podendo levar a conclusões errôneas sobre a eficácia do tratamento ou o impacto de fatores de risco ambientais (ACEs).
• Alerta Metodológico: O artigo destaca que saídas automatizadas "confiáveis" não são necessariamente "precisas" quando a distribuição de treinamento diverge da população alvo.

Significância e Alegações
Os autores alegam que o uso de pipelines de remoção de artefatos totalmente automatizados (especificamente aqueles treinados em dados de adultos com desenvolvimento típico) para EEG pediátrico, particularmente em contextos de alta adversidade ou neurodesenvolvimento, é atualmente inseguro sem supervisão. O estudo argumenta que a abordagem "tamanho único" falha em considerar as diferenças de desenvolvimento no EEG (ex: inclinação 1/f, frequência de pico alfa) e a conformidade comportamental, que alteram como os artefatos se manifestam.

Os autores concluem que os pesquisadores devem supervisionar os pipelines automatizados ao analisar dados pediátricos. Eles defendem o desenvolvimento de conjuntos de treinamento em larga escala específicos para populações pediátricas e neurodesenvolvimentais antes que a identificação de artefatos de forma não supervisionada possa ser implementada de forma confiável. O estudo serve como um alerta de que decisões automatizadas não devem substituir o escrutínio especializado, especialmente quando o custo da classificação incorreta é a introdução de efeitos clínicos espúrios.