AWAKE CRANIOTOMY O CRANIOTOMIA IN
ANESTESIA GENERALE? COME
DETERMINARE UNA MODALITA’ CHIRURGICA
CON LE RETI NEURALI ARTIFICIALI

Paola Iop, infermiera presso la sala operatoria neurochirurgica dell'ospedale Ca Foncello di Treviso (e-mail e profilo LinkedIn), ha voluto condividere con i nostri lettori questo suo lavoro teso ad apportare dei miglioramenti alla pratica clinica dove si dà sempre più importanza all'efficacia ed efficienza degli interventi sanitari i quali devono essere accompagnati da un agire basato sulle evidenze scentifiche.
Lo scopo del lavoro è stato quello di determinare se con una lesione neoplastica in un'area eloquente del cervello, il paziente possa essere operato da sveglio (Awake Craniotomy) oppure debba essere operato in anestesia generale. Questa predizione consentirebbe di ottimizzare mezzi, risorse, tempi. Permetterebbe, infatti, il reclutamento tempestivo di professionalità specifiche (neurofisiologo, neuropsicologo, logopedista), la programmazione di esami diagnostici, l'ottimale organizzazione dei vari reparti (sala operatoria, terapia intensiva, radiologia, reparto di degenza), la possibilità del neurochirurgo di confrontare la scelta da lui presa con quelle precedenti, l'attivazione di protocolli medico-infermieristici specifici, in modo tale da diminuire il tempo che interrcorre tra diagnosi e cura.
Ringraziamo tantissimo Paola per averci offerto questo spaccato di qualità applicata all'ambiente sanitario. Grazie davvero!

Articolo di Paola Iop

awake-craniotomy

Grandezza caratteri: piccoli | medi | grandi

(Prima parte)

Il Campione

Le informazioni sono state raccolta tramite l’analisi e la consultazione di cartelle cliniche di pazienti realmente sottoposti ad intervento chirurgico a partire dall’anno 2010 e che avessero una neoplasia in un'area eloquente della corteccia cerebrale, aree con funzione specifiche la cui compromissione può determinare un danno del linguaggio, motorio, della sensibilità o della vista, sia essi siano stati operati in modalità Awake o da sedati e il monitoraggio elettrofisiologico intraoperatorio nella S.O. di Neurochirurgia dell’Azienda ULSS n9 di Treviso.

Questo orizzonte temporale è stato motivato dal fatto che dal 2010 ad oggi c'è stato un notevole incremento di interventi in Awake nella struttura dove lavoriamo, prima il dato risultava trascurabile.

Il DataBase

Per contenere la tabella con i dati raccolti è stato scelto l’utilizzo di MySQL. Si tratta del motore di data base, o più precisamente RDBMS “Relational database management system”, più diffuso al mondo, tramite l’interfaccia “MySQL Workbench” (sempre scaricabile dallo stesso sito e con le stesse modalità di licenza) è possibile controllare e gestire il proprio DataBase, è possibile utilizzare SQL come linguaggio per l’estrazione e la manipolazione di dati e tabelle. Il motore MySQL è disponibile in forma gratuita nella versione “Community Edition”, sotto licenza GPL, per sistemi operativi Linux, Solaris, Mac e Windows. Si è scelta l’installazione per quest’ultimo sistema operativo in quanto già presente sull’hardware a disposizione.

Tabella “training”

Contiene l’insieme statistico relativo a pazienti oggetto di precedenti valutazioni anamnestiche per i quali sono conosciute le risposte corrette.

Viene utilizzata per la fase di “apprendimento” della rete neurale. Visto l’esiguo numero delle informazioni disponibili (solo 99 record completi utilizzati) gli stessi campioni vengono proposti ripetutamente e casualmente, agli ingressi della rete neurale (i primi 15 campi) vengono fornite le risposte previste contenute negli ultimi 3 campi.

Creazione della tabella training nel db [test]

CREATE TABLE `training`

`Gender` tinyint(1) DEFAULT NULL

`Age` tinyint(1) DEFAULT NULL

`Localization` tinyint(1) DEFAULT NULL

`Severity` tinyint(1) DEFAULT NULL

`Smoker` tinyint(1) DEFAULT NULL

`Schooling` tinyint(1) DEFAULT NULL

`dWeight` tinyint(1) DEFAULT NULL

`Children` tinyint(1) DEFAULT NULL

`Married` tinyint(1) DEFAULT NULL

`Previous` tinyint(1) DEFAULT NULL

`Deficit` tinyint(1) DEFAULT NULL

`Allergies` tinyint(1) DEFAULT NULL

`Contraceptives` tinyint(1) DEFAULT NULL

`HomeTownSize` tinyint(1) DEFAULT NULL

`PsyDiseases` tinyint(1) DEFAULT NULL

`O_SurgeryType` tinyint(1) DEFAULT NULL

`O_TotalRemoval` tinyint(1) DEFAULT NULL

`O_Improvement` tinyint(1) DEFAULT NULL

ENGINE=InnoDB

DEFAULT CHARSET=utf8

COMMENT=’ Training table for Paola Iop NN

AWAKE CRANIOTOMY O CRANIOTOMIA IN ANESTESIA GENERALE? COME DETERMINARE UNA MODALITA’ CHIRURGICA CON LE RETI NEURALI ARTIFICIALI.

Videata MySQL Workbench corrisponde alla creazione tabella

awake-craniotomy

Tutti i campi sono stati creati utilizzando le opzioni di default del database. Nessun campo è stato dichiarato indice in quanto non necessario. Oltre al campo `O_SurgeryType`, oggetto della presente verifica, sono stai aggiunti, che le relative informazioni erano disponibili, `O_TotalRemoval` e `O_Improvement`, riferiti rispettivamente alla rimozione totale della lesione e al riscontro di miglioramenti in seguito all’intervento, questi dati sono quindi a disposizione per ulteriori verifiche e/o approfondimenti.

Definizione e valori ammessi per i singoli campi

I dati raccolti nella fase anamnestica del paziente sono di varia natura, la maggior parte di essi potrebbe, in realtà, non avere grandi influenze per lo scopo del presente progetto. Si tratta di informazioni derivate per gli scopi ordinari della struttura ospedaliera (cartella clinica, etc) e, non certo, per essere utilizzati come ingressi in una rete neurale. Si potrebbe, con ogni probabilità, migliorare la qualità complessiva della rete raccogliendo e normalizzando dati più specifici, magari di concerto con i medici che, grazie alla loro esperienza, possono dare importanti informazioni sulla rilevanza dei dati oggettivi e soggettivi riscontrati nella fase di colloquio con il paziente.

`Gender` [INPUT]

Genere del paziente

0 Maschile 1 Femminile

`Age` [INPUT]

Età anagrafica del Paziente

`Localization` [INPUT]

Localizzazione della lesione.

0 disseminata 1 occipitale 2 dx 3 sx

`Severity` [INPUT]

Gravità della lesione. Per definire, in base alla gravità, la neoplasia che maggiormente interessava le aree eloquenti, e quanto la sua malignità influisse sulla scelta della modalità chirurgica.

1 Min : 10 Max

`Smoker` [INPUT]

Paziente Fumatore

0 No 1 Si

`Schooling` [INPUT]

Livello di scolarizzazione

1 elementare 2 media 3 superiore 4 laurea

Weight` [INPUT]

Variazione di peso. Un aspetto molto importante in quanto è discriminante per la scelta della modalità chirurgica, l’obesità infatti preclude l’intervento fatto in Awake.

-1 calo 0 stabile 1 crescita

`Children` [INPUT]

Numero Figli

`Married` [INPUT]

Sposato

0 No 1 Si

Previous` [INPUT]

Interventi Precedenti. In alcuni casi quello di craniotomia è stato il primo intervento chirurgico al quale il paziente si è sottoposto, in altri casi no e in altri ancora l’ intervento chirurgico pregresso era stato motivato da una patologia neoplastica che ha riguardato un altro organo o essere la conseguenza di una recidiva cerebrale, anche questo influenza psicologicamente il soggetto che può essere demotivato, depresso o ansioso nell’affrontare un altro intervento chirurgico, tutti questi fattori sono psicologici che non permettono di sottoporlo ad una craniotomia in modalità Awake lasciando, come unica alternativa l’intervento sotto sedazione.

0 No 1 Si 2 Si [Tumore]

`Deficit` [INPUT]

Deficit presenti nel paziente. Se il paziente ha deficit motori, cognitivi, legati o no alla patologia cerebrale non è un candidato ad una Awake. Sarebbe preferibile, per gli scopi del progetto, che ci fosse una maggiore definizione di questo parametro indicando anche la gravità del deficit riscontrato.

0 Motori 1 Cognitivi 2 Motori e Cognitivi

`Allergies` [INPUT]

Allergie in atto

0 No 1 Si

`Contraceptives` [INPUT]

Uso di contraccettivi orali. Anche se riguarda una parte ristretta di pazienti perché legata al genere e fortemente vincolata all’età, volevamo studiare anche questo dato.

0 No 1 Si

`HomeTownSize` [INPUT]

Dimensioni del comune di residenza

1 Meno di 30.000 abitanti 2 Oltre 30.000 3 Oltre 50.000

`PsyDiseases` [INPUT]

Presenza di patologie psichiatriche. Questo tipo di patologie sono un fattore che limita fortemente la scelta della modalità di intervento. Anche in questo caso, come per l’elemento “deficit” sarebbe auspicabile una definizione del livello di gravità della patologia riscontrata.

0-No 1-Si

`O_SurgeryType` [OUTPUT]

Tipo intervento. E’ lo scopo del progetto: determinare la tecnica di intervento più adatta. Nei dati raccolti contiene la scelta che è stata effettuata dallo staff medico che, ovviamente, non si basa sui soli valori numerici ma valuta il paziente anche in base alle esperienze maturate sul campo.

0 Sedato 1 Sveglio

`O_TotalRemoval` [OUTPUT]

Asportazione realizzata. Il dato è disponibile solo post intervento e si riferisce alla quantità di massa che il chirurgo è stato in grado di rimuovere. Il valore non viene utilizzato per questa specifica rete neurale ma è stato raccolto in quanto si potrebbe prestare ad interessanti analisi future.

0 Parziale 1 Totale

`O_Improvement` [OUTPUT]

Miglioramenti Riscontrati

0 No 1 Si

La scelta dei dati da includere è stata fatta anche alla luce dei fattori considerati di esclusione per l’elettività all’Awake Craniotomy, che sono:

  • a. Età del paziente, non inferiore ai 18 anni e non superiore ai 70,
  • b. Pazienti non collaboranti,
  • c. Pazienti non motivati,
  • d. Pazienti con problemi psicologici, ansiosi, in stato confusionale,
  • e. Pazienti con gravi deficit motori e del linguaggio,
  • f. Pazienti con gravi problemi a carico delle vie aeree,
  • g. Pazienti con patologie polmonari (BPCO),
  • h. Pazienti con un inefficace controllo ventilatorio,
  • i. Pazienti obesi

Non tutte le informazioni sono risultate, ex-post, rilevanti, e sono state causa di continue calibrazioni del database, tramite la revisione dei parametri di ingresso per un maggior apprendimento della rete stessa.

La tabella MySQL viene popolata importando i dati da un file .csv, generato da un foglio Excel, tramite la query SQL:

LOAD DATA INFILE 'D:\PaolaIop.csv' INTO TABLE

training FIELDS TERMINATED BY ';' LINES TERMINATED

BY '\r\n'

TABELLA CONTENENTE I DATI PER IL RATING DELLA RETE NEURALE

awake-craniotomy

awake-craniotomy

‘R’

L’ambiente utilizzato per lo sviluppo della rete neurale è ‘R’. Si tratta di un ambiente utilizzato principalmente per analisi di dati (in particolar modo per impieghi statistici), nato dallo sviluppo del precedente progetto dei Bell Laboratories denominato ‘S’ è disponibile, a differenza del suo predecessore, in forma gratuita con licenza GPL. La definizione più corretta probabilmente è proprio quella presente nella guida di Vito M. R. Muggeo e Giancarlo Ferrara:

Piuttosto che definire R come un software statistico, esso deve essere definito come un ambiente, ovvero un insieme di macro, librerie, oggetti che possono essere utilizzati per la gestione, l’analisi dei dati e la produzione di grafici; il termine R o ambiente verranno utilizzati indifferentemente. Per questo motivo quando ci si appresta a lavorare la classica domanda “E possibile in R implementare....?”, deve essere sostituita da “Quanto `e difficile in R implementare...?”

La programmazione dell’ambiente ‘R’ avviene attraverso comandi che possono essere memorizzati in uno “script” che diventa, in questo modo, il programma vero e proprio. In Internet si può facilmente trovare molta documentazione sull’ambiente ‘R’ e sulla sua particolare modalità di gestione. Il sito di riferimento, dal quale è anche possibile scaricare tutto il software, è quello del “The Comprehensive R Archive Network” raggiungibile a questo indirizzo.

La documentazione frutto della collaborazione degli utenti, come l’utile guida “Il linguaggio R: concetti introduttivi ed esempi” (II edizione) by Vito M. R. Muggeo and Giancarlo Ferrara , e molti altri testi è liberamente scaricabile dal link “Contributed” corrispondente a questa pagina web.

Una interessante navigazione tra i documenti di questo sito rende sicuramente più evidente la potenza di questo ambiente, dopo aver scaricato ed installato il software sulla propria macchina si può subito cominciare qualche tentativo di programmazione, ovviamente seguendo il testo di qualche guida. Il suo linguaggio, orientato agli oggetti, dispone di innumerevoli moduli (packages) sempre disponibili con licenza GPL che consentono di affrontare problemi di varia natura senza la necessità di grandi conoscenze di programmazione. Quando si è raggiunta la confidenza necessaria è interessante provare i vari script di esempio con i quali, grazie ai numerosi mo duli disponibili, si possono analizzare dati; realizzare grafici etc.

Nello specifico i moduli utilizzati per la realizzazione del progetto sono:

"RMySQL"

Consente il collegamento al db MySQL e il prelievo dei dati contenuti nella tabella “training” per l’addestramento della rete neurale.

‘nnet”

Per la creazione della rete neurale. La libreria, tra le più diffuse per l’impiego specifico, è particolarmente facile e versatile da utilizzare. Consente la creazione di reti neurali con un solo strato nascosto (Hidden Layer), a questo riguardo le prove dimostrano che non c’è la necessità di strati ulteriori, che rendono più lenta e pesante la rete senza portare benefici dal punto di vista della qualità dei risultati.

“NeuralNetTools”

Un modulo di recente sviluppo creato per la valutazione delle reti neurali tramite visualizzazione ed analisi.

Lo script risultante diventa:

# LIBRERIA PER ACCEDERE AL DB MYSQL

library(RMySQL)

LIBRERIA PER CREARE LA RETE NEURALE

library(nnet)

# LIBRERIA PER VISUALIZZARE ED ANALIZZARE I DATI DELLA RETE

library(NeuralNetTools)

#COLLEGAMENTO AL DB

mydb = dbConnect(MySQL(), user='PaolaIop', password='IopPaola', dbname='test', host='127.0.0.1')

#LETTURA DEI DATI DALLA TABELLA "training"

training_in = fetch(dbSendQuery(mydb, "Select Gender ,Age ,Localization ,Severity ,Smoker , Schooling ,dWeight ,Children ,Married ,Previous , Deficit ,Allergies ,Contraceptives ,HomeTownSize ,PsyDiseases from training") , n=-1)

training_out = fetch(dbSendQuery(mydb, "Select O_SurgeryType from training"), n=-1)

#Creazione e addestramento della rete neurale

#avremo 18 “neuroni” nello strato nascosto

rete <- nnet(training_in, training_out, size=18, threshold=0.01, maxit = 10000,decay=.0002)

#Rappresentazione Grafica

plotnet(rete, nid = TRUE, all_out = TRUE, all_in = TRUE,

bias = TRUE, wts_only = FALSE, rel_rsc = 5, circle_cex = 5,

node_labs = TRUE, var_labs = TRUE, x_lab = NULL, y_lab = NULL,

line_stag = NULL, cex_val = 1, alpha_val = 1,

circle_col = "lightblue", pos_col = "black", neg_col = "grey",

bord_col = "lightblue", max_sp = FALSE)

#Importanza Relativa dei valori in ingresso secondo l’algoritmo di Garson’s

garson(rete,'')

analizziamo le operazioni che vengono eseguite:

# LIBRERIA PER ACCEDERE AL DB MYSQL

library(RMySQL)

# LIBRERIA PER CREARE LA RETE NEURALE

library(nnet)

vengono caricate nell’ambiente i 3 moduli che serviranno rispettivamente al collegamento al database; alla creazione della rete neurale; all’analisi (anche grafica) dei dati.

#COLLEGAMENTO AL DB

mydb = dbConnect(MySQL(), user='PaolaIop', password='IopPaola',

utilizzando il modulo “MySQL” si attiva una connessione, denominata “mydb”, al database “test”. Nome utente e password sono semplici in quanto il motore db risiede sulla stessa macchina, come evidenziato dal parametro “host” posto a “127.0.0.1”.

Lo script risultante diventa:

# LIBRERIA PER ACCEDERE AL DB MYSQL

library(RMySQL)

LIBRERIA PER CREARE LA RETE NEURALE

library(nnet)

# LIBRERIA PER VISUALIZZARE ED ANALIZZARE I DATI DELLA RETE

library(NeuralNetTools)

#COLLEGAMENTO AL DB

mydb = dbConnect(MySQL(), user='PaolaIop', password='IopPaola', dbname='test', host='127.0.0.1')

#LETTURA DEI DATI DALLA TABELLA "training"

training_in = fetch(dbSendQuery(mydb, "Select Gender ,Age ,Localization ,Severity ,Smoker , Schooling ,dWeight ,Children ,Married ,Previous , Deficit ,Allergies ,Contraceptives ,HomeTownSize ,PsyDiseases from training") , n=-1)

training_out = fetch(dbSendQuery(mydb, "Select O_SurgeryType from training"), n=-1)

#Creazione e addestramento della rete neurale

#avremo 18 “neuroni” nello strato nascosto

rete <- nnet(training_in, training_out, size=18, threshold=0.01, maxit = 10000,decay=.0002)

#Rappresentazione GraficA

plotnet(rete, nid = TRUE, all_out = TRUE, all_in = TRUE, bias = TRUE, wts_only = FALSE, rel_rsc = 5, circle_cex = 5, node_labs = TRUE, var_labs = TRUE, x_lab = NULL, y_lab = NULL, line_stag = NULL, cex_val = 1, alpha_val = 1, circle_col = "lightblue", pos_col = "black", neg_col = "grey", bord_col = "lightblue", max_sp = FALSE)

#Importanza Relativa dei valori in ingresso secondo l’algoritmo di Garson’s

garson(rete,'')

analizziamo le operazioni che vengono eseguite:

# LIBRERIA PER ACCEDERE AL DB MYSQL

library(RMySQL)

# LIBRERIA PER CREARE LA RETE NEURALE

library(nnet)

vengono caricate nell’ambiente i 3 moduli che serviranno rispettivamente al collegamento al database; alla creazione della rete neurale; all’analisi (anche grafica) dei dati.

#COLLEGAMENTO AL DB

mydb = dbConnect(MySQL(), user='PaolaIop', password='IopPaola',

utilizzando il modulo “MySQL” si attiva una connessione, denominata “mydb”, al database “test”. Nome utente e password sono semplici in quanto il motore db risiede sulla stessa macchina, come evidenziato dal parametro “host” posto a “127.0.0.1”.

#LETTURA DEI DATI DALLA TABELLA "training"

training_in = fetch(dbSendQuery(mydb, "Select Gender ,Age ,Localization ,Severity ,Smoker , Schooling ,dWeight ,Children ,Married ,Previous , Deficit ,Allergies ,Contraceptives ,HomeTownSize ,PsyDiseases from training") , n=-1)

tramite la connessione appena stabilita vengono inviati due comandi al motore di data base che consentono di recuperare i dati per il training della rete neurale. Ad operazione terminata la variabile “training _in” conterrà i dati in ingresso mentre “training_out” le uscite attese.

Creazione della rete e avvio dell’addestramento. I parametri sono stati ottenuti sperimentalmente.

#Creazione e addestramento della rete neurale

#avremo 18 “neuroni” nello strato nascosto

rete <- nnet(training_in, training_out, size=18, threshold=0.01, maxit = 10000,decay=.0002)

creazione della rete e avvio dell’addestramento. I parametri sono stati ottenuti sperimentalmente

iter1090 value 0.076583

iter1100 value 0.076582

iter1110 value 0.076582

iter1120 value 0.076582

iter1130 value 0.076582

iter1140 value 0.076581

Dopo circa 1150 iterazioni la rete “converge”

#Rappresentazione Grafica

plotnet(rete, nid = TRUE, all_out = TRUE, all_in = TRUE,

bias = TRUE, wts_only = FALSE, rel_rsc = 5, circle_cex = 5,

node_labs = TRUE, var_labs = TRUE, x_lab = NULL, y_lab = NULL,

line_stag = NULL, cex_val = 1, alpha_val = 1,

Le direttive “plotnet” e “garson”, entrambe derivate dal modulo “neuralnettools” ci consentono di “vedere” la nostra rete

awake-craniotomy

Questa è la rappresentazione grafica della rete come generata dal comando “plotnet”. A sinistra sono visibile le 15 variabili in ingresso, nella parte centrale i 14 nodi (neuroni) costituenti lo strato nascosto e, a destra, l’unica uscita. Lo spessore delle linee che collegano i nodi corrisponde alla rilevanza, ai fini del risultato, calcolata nella fase di apprendimento.

awake-craniotomy

Il comando “carson” visualizza in modo chiaro la rilevanza delle singole variabili in ingresso nella determinazione della scelta finale.

Verifica della rete

E’ arrivato il momento di testare la nostra rete e, di conseguenza, tutto il lavoro che è stato fino ad ora svolto. Sottoponiamo all’elemento “rete”, che abbiamo creato nell’ambiente “R” utilizzando il modulo “nnet”, tutti i 99 campioni di cui disponiamo. Questa volta anziché fare l’addestramento della rete chiederemo delle risposte sul tipo di intervento consigliato per ogni caso.

Il comando che ci consente di fare questo è “predict(rete_neurale, valore_degli_ingressi)” e fornisce come risposta il valore calcolato. Si tratta di un valore decimale compreso tra 0 e 1, ma noi abbiamo bisogno di qualcosa di confrontabile con la risposta dello staff medico quindi, a questo scopo, creiamo una nuova matrice che chiameremo “test” e che conterrà il valore calcolato dalla rete (al quarto decimale), lo stesso valore arrotondato all’intero più vicino e, a titolo di raffronto, la corretta risposta data dello staff per lo stesso campione.

#test della rete su tutti i 99 campioni

x <- predict(rete, training_in)

test <- cbind(round(x),4), round(x),0), training_out)

dimnames(test)[[2]]<-c("[Valore Calcolato]","Arrotondato","Atteso")

Con la prima istruzione mettiamo in “x” l’esito dell’elaborazione

Quindi con l’istruzione “cbind” creiamo una matrice bidimensionale a tre colonne

Infine diamo un nome indicativo alle colonne.

Per vedere il risultato a questo punto basta richiamare la matrice “test

Conclusioni

Il lavoro di ricerca è stato realizzato utilizzando esclusivamente strumenti software (“MySQL” e “R”) distribuiti pubblicamente con licenza gpl, quindi senza costi aggiuntivi per la sperimentazione. La loro larga diffusione ed impiego consente di replicare facilmente quanto qui realizzato, eventualmente anche adattando ed integrando la struttura della rete stessa per adattarla a situazioni diverse. La rete neurale realizzata ha risposto con predizioni corrispondenti a quelle del medico in tutti i casi presentati. Questo, inizialmente non preventivabile, risultato porta inevitabilmente alla conclusione che uno strumento di questo tipo può essere di aiuto allo staff medico-infermieristico nella determinazione della “best practice” da seguire per il singolo paziente, d’altra parte è importante considerare che i dati raccolti presentano una certa ridondanza e, nonostante il pesante lavoro di normalizzazione, non sempre sono adatti allo scopo prefissato. Questo perché sono state utilizzate informazioni già presenti negli archivi della struttura sanitaria e raccolte con finalità diverse, in particolare per la costituzione della cartella clinica del paziente. Sarebbe interessante valutare la reazione di un sistema di questo tipo con informazioni di maggiore qualità specifica, raccolte con la consulenza dei medici e in numero considerevolmente maggiore. Si potrebbero, in questo modo, ottenere previsioni non solo sul miglior tipo di intervento praticabile, ma anche sui risultati che potremmo ottenere.

Bibliografia

Adeli H., Ghosh Dastidar S., Dadmehr N., 2005. Alzaheimer’s disease and models of computation: imaging, classification, and neural models. Journal of Alzhaimer’s disease: JAD 187-199.

Babiloni F., Ambrosini A.(2007): Principi di aquisizione e di elaborazione del segnale elettroencefalografico. Roma: Editrice Erre.

Bellazzi R., Abu-Hanna A., 2009. Intelligenza artificiale in medicina. AIME’ 07 1-3. 10.1016/j.armed. 2008.08.006.

Bovinelli A.,(2010). Basi fisiologiche dei segnali biologici complessi. Appunti del corso integrativo per gli studenti del corso di laurea in biotecnologie dell’Università degli studi di Trieste. Available from: hptt//www.univ.trieste.it/-brain/Segnali/Segnali/l.html.

Broca P.(1861) Nouvelle observation d’aphemie produite par une lesion de la troisieme circonvolution frontale. Bull Soc Anat Paris 1861°; 6: 398-407.

Buscema M., Gallucci M..(2000). Artificial neural network and their application in drung addicion medicine. Annuali dell’Istituto Superiore di Sanità, 36(1), 77-85,.

Buscema M.,Gallucci M.,(2006). La mappa semantica delle connessioni: un nuovoo metodo adattativo per la scoperta di una nuova conoscenza nei data base : esperienza nella malattia di Alzheimer. ITNAD Roma .

Buscema M., Snowdon, D., Antuono P.,(2005).Data mining of brain aging descriptors from the nun study through novel artificial adaptative system. ITINAD Sorrento . Carpenter M.,B(1995).: Fondamenti di neuroanatomia. Napoli: EdiSES editore.

Di Pietro V., Spena G., 2008 SOC Neurochirurgia Azienda Ospedaliera Santi Antonio e Biagio e Cesare Arrigo “ Chirurgia cerebrale a paziente sveglio: mapping delle funzioni cerebrali”, Cipes Piemonte.

www.ciepespiemonte .it//news/numeri/docum_06_08/neurochirurgiaspena Brodman K.(1998). Vergleichende Lokalisaitionslehre der Grosshirnrinde. Leipzig: Barth, .

Duffau H., Cappelle L., Sichez J.P., ET AL.: 2002 I traoperative mapping of the subcortical language pathways using direct stimolations. Brain 2002 145: 1234-1256 Journal of neurology.

Duffau H., Recovery from complete emiplegia following resection of a retrocentral metastasis: the prognostic value of intraoperative cortical stimulatio. J. Neurosung 2001; 95 (6) 1050-1052.

Fandino J., Kollias S.S., Weisser H.G., Valavanis A., Yonekawa Y., 2009: Intraoperative validation of funcional magnetic resonance imaging and cortical reorganization patterns in patients whit brain tumors involving the primary motor cortex. J.Neurosurg 2009; 91 (2): 238-250.

Gallo C., 2007 Dipartimento di Scienze Economiche, Matematiche e Statistiche, Università degli Studi di Foggia: “ Reti neurali artificiali: Teoria ed Applicazioni” Quaderno n. 28/2007.

Hickok G, Poeppel D. The cortical organization of speech processing. Nat Rev Neurosci 2007; 8: 393-402

Mastronardi L., 2011 “Awake Surgery-neurochirurgia endocranica con paziente sveglio “ Neurologia di Roma, 24 ottobre 2011 www.neurologiaroma.it/articoli/807/awake-surgery-neurochirurgiaendocranica-co-ilpaziente -sveglio/.

Orsini A., Grossi D., Capitani E., Laiacona M., Papagno O., 1999,” Immediate memory spam”: normative data from 1355 Jounal Neurol Sci 1999 ; 8: 539-548.

Tate M., Herbert G., Moritz-Gasser S., Tate E. J.. Duffau H., (2014) Probabilistic map of critical functional regions of the human cerebral cortex: Broca’s area rivisited.Brain Journal of neurology 137; 2773-2782.

Mondini S. , Vestri A., Mapelli D., Bislocchi P.,(2001) “ Trial making, Esame neuropsicologico Breve. Padova : Liripac, .

Nossek E., Matot L., Shahar T., BarzilaiO., Rapoport Y., Gonen T., Sela G., Korn A., Hayat D., Ram Z. “ Failed Awake Craniotomy: a retrospective analysis in 424 patients undergoing craniotomy for brain tumor.” J. Neurosurg. 2013 Feb; 118(2): 243-9.

Santini B., Talacchi A., Casagrande F., Casartelli M., Savazzi S., Procaccio F., Gerosa M., (2012) :” Eligibility criteria and psycological profiles in patient candidates for Awake Craniotomy: a pilot study” J. Neurosurg Anesthesiol, 2012 jul; 24(3):209-16.

Skirboll S.S., Ojemann G.A., Bergher M.S., Lettich E., Winn H.R., 1999. Functional cortex and subcortical withe matter localed within gliomas. Neurosurgery 38 (4) 678-685.

Skrap M., Janes P.P., Zanotti B., Cramaro A., 2002. Neuronavigazione: In: Dallolio V., Monolo L., (a cura di). La neuronavigazione . Trento : New Magazine Edizioni, 51-60

Spinnler H. , Tognoni G. “ Standardizazione e taratura Italiana di test neuropsicologici “. Ital Jneurolol Sci 1987;6 (suppl. 8 ): 1-120.

Urgesi C.(2006). “ Sistemi neuronali coinvolti nella percezione del corpo. Studi neurofisiologici “ DiPAV, Franco Angeli ; 15: 35-38.

Vigneu M., Beaucousin V., Herve PY., Douffau H., Crivello F., Houde O., et al. 2006 Meta-analyzing, left hemisfere language areas, phonology, semantics and sentence processing .Neuroimage 2006; 30 1414-32.

(L'articolo continua sotto al box in cui ti segnaliamo che alla collana di libri QualitiAmo si è aggiunto un nuovo titolo).

LA COLLANA DEI LIBRI DI QUALITIAMO

"La nuova ISO 9001:2015 per riorganizzare, finalmente, l'azienda per processi" - Si aggiunge alla collana dei libri di QualitiAmo il primo testo che svela i segreti della futura norma.
Dalla teoria alla pratica: il secondo lavoro di Stefania Cordiani e Paolo Ruffatti spiega come migliorare la vostra organizzazione applicando la nuova norma attraverso i suggerimenti del loro primo libro
(Vai all'articolo che descrive il nuovo libro)

"Organizzazione per processi e pensiero snello - Le PMI alla conquista del mercato" - Da una collaborazione nata sulle nostre pagine, un libro per far uscire le PMI dalla crisi.
L’ideatrice di QualitiAmo e una delle sue firme storiche spiegano come usare con efficacia la Qualità.
(Vai all'articolo che descrive il primo libro)

(Vuoi restare aggiornato gratuitamente sulla nuova ISO 9001:2015? Visita ogni giorno la pagina che ti abbiamo linkato.
In calce all'articolo riporteremo quotidianamente un aggiornamento sulla futura norma)

PER SAPERNE DI PIU':

Su QualitiAmo non sono presenti altri articoli su questo argomento .




cerca nel sito