Anestesian syvyyden arviointi
aivosähkökäyrän (EEG) avulla
Turun yliopisto
Tietotekniikan laitos
TkK-tutkielma
Lääketieteellinen tekniikka ja terveysteknologia
Maaliskuu 2025
Maria Kangasniemi
Turun yliopiston laatujärjestelmän mukaisesti tämän julkaisun alkuperäisyys on tarkastettu Turnitin
OriginalityCheck -järjestelmällä.
TURUN YLIOPISTO
Tietotekniikan laitos
Maria Kangasniemi: Anestesian syvyyden arviointi aivosähkökäyrän (EEG) avul-
la
TkK-tutkielma, 29 s.
Lääketieteellinen tekniikka ja terveysteknologia
Maaliskuu 2025
Tämä kirjallisuuskatsaus käsittelee EEG-signaalien analyysimenetelmiä anestesian
syvyyden arvioinnissa, aivoaaltojen muutoksia anestesian aikana sekä tähän liittyviä
haasteita ja häiriöitä. Tutkielman tavoitteena on tarjota katsaus nykyisiin menetel-
miin, niiden sovelluksiin ja kehityssuuntiin, keskittyen erityisesti anestesian hallin-
taan kirurgisissa toimenpiteissä. Kohteena ovat aikuispotilaat ja kliiniset tilanteet,
joissa EEG:tä hyödynnetään anestesian syvyyden mittaamiseen.
Kirjallisuuskatsaus painottuu menetelmiin, kuten bispektraali-indeksi, tehospektrin
tiheysanalyysi, koneoppimismallit ja purskevaimentumailmiö. Lisäksi tutkielmassa
analysoidaan EEG-signaalien haasteita, kuten artefakteja ja potilaskohtaisia eroa-
vaisuuksia, sekä näiden vaikutusta anestesiaseurantaan.
Tutkielma osoittaa, että EEG tarjoaa arvokasta tietoa aivotoiminnasta ja aneste-
sian syvyydestä, mutta nykyisten menetelmien tarkkuutta rajoittavat artefaktit,
algoritmien heikkoudet ja yksilölliset vaihtelut. Tulevaisuuden kehitys, kuten ko-
neoppimisen hyödyntäminen artefaktien hallinnassa ja anestesian syvyyden ennus-
tamisessa, voi parantaa EEG:n käyttöä ja potilasturvallisuutta. Tulosten perusteella
suositellaan EEG-analyysin laajempaa soveltamista ja algoritmien yksilöllistämistä
anestesiaseurannan tarkkuuden lisäämiseksi. Tämä työ korostaa EEG:n merkitystä
modernissa anestesiologiassa ja tarjoaa näkökulmia sen kehittämiseksi entistä te-
hokkaammaksi työkaluksi.
Asiasanat: aivosähkökäyrä, anestesia, anestesian syvyys, bispektraali-indeksi, aivo-
aalto, koneoppiminen
Sisällys
1 Johdanto 1
2 Anestesia 4
2.1 Fysiologia anestesian taustalla . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Anestesian muodot ja niiden toteutustavat . . . . . . . . . . . . . . . 6
3 Elektroenkefalografia (EEG) 9
3.1 EEG:ssä käytettävä laitteisto . . . . . . . . . . . . . . . . . . . . . . . 9
3.2 EEG-signaalien tulkinta ja analyysi . . . . . . . . . . . . . . . . . . . 11
4 Aivosähkökäyrän hyödyntäminen anestesian syvyyden arvioinnissa 15
4.1 Aivoaaltojen muutokset anestesian aikana . . . . . . . . . . . . . . . 15
4.2 EEG-analyysissa käytettävät menetelmät anestesian syvyyden arvioin-
tiin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.3 Haasteet ja häiriöt EEG-signaalissa anestesian aikana . . . . . . . . . 21
4.4 Pohdintaa löydöksistä . . . . . . . . . . . . . . . . . . . . . . . . . . 24
5 Yhteenveto 28
Lähdeluettelo 30
i
Kuvat
2.1 GABA-reseptori . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.1 EEG-elektrodien asennus kahdella eri tavalla. . . . . . . . . . . . . . 10
3.2 Aivoaallot EEG:ssä . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.1 Purskevaimentumailmiö . . . . . . . . . . . . . . . . . . . . . . . . . 17
ii
1 Johdanto
Anestesian syvyyden arviointi on olennainen osa modernia kirurgiaa ja tehohoitoa,
jossa potilaan turvallisuus ja optimaalinen anestesiahoito ovat etusijalla. Anestesian
tarkoituksena on ylläpitää potilaan tajuttomuus, kivuttomuus ja liikkumattomuus
koko leikkausprosessin ajan. Tämä tila saavutetaan käyttämällä anestesia-aineita,
joiden tarkka annostelu ja jatkuva monitorointi ovat välttämättömiä, sillä aneste-
sian liian syvä tai liian matala taso voi aiheuttaa vakavia komplikaatioita. Perin-
teisesti anestesian syvyyttä on arvioitu kliinisten mittareiden, kuten sydämen syk-
keen ja verenpaineen, perusteella, mutta näillä fysiologisilla mittareilla on rajoitteita
anestesian syvyyden tarkassa mittauksessa. [1], [2]
Aivosähkökäyrä (elektroenkefalografia, EEG) on vakiintunut tekniikka aivojen
sähköisen toiminnan mittaamiseen. EEG perustuu päänahalle asetettujen elektro-
dien avulla mitattavaan jännite-erotukseen, joka syntyy aivokuoren hermosolujen
toiminnasta. [3]. Alun perin EEG:tä käytettiin pääasiassa neurologisten sairauksien,
kuten epilepsian, diagnosointiin. Nykyään kuitenkin EEG:n sovellusmahdollisuudet
ovat laajentuneet merkittävästi. Viime vuosikymmeninä EEG:stä on tullut tärkeä
työkalu myös anestesian syvyyden arvioinnissa, sillä sen avulla voidaan mitata ta-
junnan tasoa ja monitoroida aivotoiminnan muutoksia reaaliaikaisesti. EEG:n avul-
la on mahdollista havaita aivojen sähköisen toiminnan muutoksia, jotka korreloivat
anestesian syvyyden kanssa. [2], [4]
EEG:n käytössä anestesian syvyyden mittaamisessa on myös haasteensa. EEG-
LUKU 1. JOHDANTO 2
signaalit ovat monimutkaisia ja herkkiä erilaisille häiriöille. Muun muassa silmän-
liikkeet ja lihasaktiivisuus voivat vääristää signaalia ja vaikeuttaa sen tulkintaa. [3].
Lisäksi EEG-signaalien tulkinta vaatii erityisiä analyysimenetelmiä, kuten Fourier-
muunnosta ja koneoppimismalleja, joilla signaali voidaan muuntaa helposti tulkit-
tavaksi ja anestesian syvyyden kannalta merkitykselliseksi informaatioksi [4].
Tässä kirjallisuuskatsauksessa tarkastellaan EEG:n käyttöä anestesian syvyyden
mittaamisessa. Käsiteltävät tutkimuskysymykset ovat seuraavat:
TK1 Mitä muutoksia EEG-signaalissa tapahtuu anestesian aikana?
TK2 Mitä menetelmiä EEG-analyysissä käytetään anestesian syvyyden arvioimi-
seksi?
TK3 Mitkä ovat EEG-signaalin hyödyntämisen haasteet anestesian syvyyden ar-
vioinnissa?
Tämä tutkielma koostuu viidestä luvusta. Johdannon jälkeen luvussa 2 esitel-
lään anestesian periaatteet, minkä jälkeen siirrytään luvussa 3 käsittelemään EEG:n
teknologiaa. Nämä luvut tarjoavat taustan ja kontekstin luvulle 4, jossa syvenny-
tään tutkimuskysymyksiin hyödyntäen ajankohtaisia tutkimuksia. Neljännen luvun
lopussa pohditaan vielä saatuja löydöksiä. Lopuksi luvussa 5 kootaan yhteen tut-
kielman ydin.
Kirjallisuuskatsauksen tiedonhaku toteutettiin useista tieteellisistä tietokannois-
ta hyödyntämällä erilaisia hakulausekkeita. Tutkimuksen painopisteenä olivat EEG:n
käyttö ja tulkinta anestesian yhteydessä. Vaikka EEG:n ja anestesian historia on
pitkä, EEG:n systemaattinen hyödyntäminen anestesian syvyyden arvioinnissa on
vakiintunut vasta viimeisten parinkymmenen vuoden aikana. Tässä kirjallisuuskat-
sauksessa keskityttiin analysoimaan eri sovelluksia ja menetelmiä EEG-signaalin tul-
kintaan anestesian aikana.
LUKU 1. JOHDANTO 3
Tiedonhaussa päätietokannoiksi valittiin PubMed, Web of Science, IEEE Xplo-
re, ja Volter, joiden kautta pyrittiin kattavaan tiedonkeruuseen. Hakulausekkeina
käytettiin aluksi laajoja asiasanoja, kuten anesthesia, EEG, ja brainwaves. Näitä
tarkennettiin myöhemmin yhdistämällä asiasanoja, kuten anesthesia AND EEG,
anesthesia AND depth AND (EEG OR electroencephalography) sekä EEG AND ar-
tifacts. Tuloksia rajattiin edelleen vuosien 2019—2024 julkaisuihin ja englanninkie-
lisiin artikkeleihin. Tarkentamisessa hyödynnettiin myös abstraktien ja systemaat-
tisten katsauksien rajauksia.
2 Anestesia
Anestesia on lääketieteellinen tila, jonka avulla saavutetaan kivuttomuus, liikkumat-
tomuus ja tajuttomuus kirurgisten toimenpiteiden ajaksi. Anestesian tavoitteena on
estää potilasta tuntemasta kipua ja eliminoida tahdonalainen liike, jotta kirurginen
prosessi voidaan suorittaa turvallisesti ja tarkasti. Anestesian aikana seurataan po-
tilaan happisaturaatiota, hengitystä, verenkiertoa ja lämpötilaa. Anestesian syvyys
ja sen tarkka hallinta ovat elintärkeitä potilasturvallisuuden ja toimenpiteen onnis-
tumisen kannalta. Liian matala anestesian taso voi johtaa potilaan heräämiseen tai
kipuun leikkauksen aikana, kun taas liian syvä anestesia voi aiheuttaa hengityksen
lamaantumista ja vakavia sydän- ja verenkierto-ongelmia. [1]
2.1 Fysiologia anestesian taustalla
Anestesian aikana keskushermoston, erityisesti aivojen, aktiivisuus vähenee mer-
kittävästi. Yleisanestesia vaikuttaa hermosolujen toimintaan sekä synapsien kautta
tapahtuvaan viestintään, mikä estää kipusignaalien kulkeutumisen ja tietoisuuden.
Tämä tila saavutetaan käyttämällä anestesia-aineita, jotka vaikuttavat aivojen eri
osiin ja niiden toimintaan. [1]
Anestesia-aineet sitoutuvat usein GABA-reseptoreihin ja tehostavat GABAn (gamma-
aminovoihappo) estävää vaikutusta hermosoluissa. GABA on aivojen pääasiallinen
estävä välittäjäaine, ja sen aktivoituminen johtaa hermosolujen hiljenemiseen, mi-
kä estää aivojen sähköistä toimintaa. [1]. Kuvassa 2.1a molekyyli sitoutuu GABA-
2.1 FYSIOLOGIA ANESTESIAN TAUSTALLA 5
reseptoriin, mikä tehostaa GABAn estävää vaikutusta hermosolussa ja vähentää ai-
vokemiallista viestintää hidastamalla hermosolujen toimintaa. Esimerkiksi yleisanestesia-
aine propofoli voimistaa GABA-reseptorien vaikutusta, mikä johtaa syvään tajutto-
muuteen. Lisäksi osa anestesia-aineista, kuten ketamiini, vaikuttaa NMDA-reseptoreihin
(N-metyyli-D-aspartaatti), jotka säätelevät kiihdyttävää glutamaatti-välittäjäainetta
ja edistävät näin anestesian vaikutuksia. [2], [1]
(a) (b)
Kuva 2.1: GABA-reseptori
(a) Etanolimolekyyli sitoutuu GABA-reseptoriin, mikä tehostaa GABAn estävää vaikutusta her-
mosolussa. (CC BY-SA 3.0 NO). [5], [1]. (b) Hermosolun synapsi: välittäjäainemolekyylit (norj.
transmittersubstans) vapautuvat presynaptisesta solusta synapsirakoon ja kiinnittyvät postsynap-
tisen solun reseptoreihin, kuten GABA-reseptoreihin. (CC BY-SA 4.0). [6]
Yksi anestesian tavoitteista on saavuttaa tahdonalaisten lihasten rentoutus, mi-
kä mahdollistaa kirurgiset toimenpiteet ilman potilaan liikkeitä. Lihasrelaksantteja
käytetään usein yleisanestesian yhteydessä täydentämään tajuttomuuden vaikutus-
ta lihaksiin. Tämä lihasrentoutus mahdollistaa kirurgiset toimenpiteet turvallisesti
mutta vaatii samalla hengityksen tukemista, koska hengityslihasten toiminta on la-
maantunut. Refleksit, kuten yskiminen ja nielaiseminen, estyvät anestesian aikana,
mikä parantaa potilasturvallisuutta erityisesti hengitysteiden hallinnassa. Toisaalta
tämä refleksien lamaantuminen vaatii, että potilaan hengitystiet pidetään avoimina
keinotekoisesti intubaatioputken tai hengitysmaskin avulla. [1]
Anestesia vaikuttaa verenkiertoelimistöön sekä merkittävästi hengitystoimintaan.
Useimmat yleisanestesia-aineet vähentävät hengityskeskuksen herkkyyttä hiilidiok-
2.2 ANESTESIAN MUODOT JA NIIDEN TOTEUTUSTAVAT 6
sidille, mikä johtaa hengitystaajuuden ja -tilavuuden pienenemiseen. Tämä hengitys-
lama voi olla niin voimakas, että potilaan hengitys on tuettava mekaanisesti anes-
tesian aikana. Verenkiertoelimistössä anestesia voi aiheuttaa verenpaineen laskua,
koska monet anestesia-aineet laajentavat verisuonia ja vähentävät sydämen pump-
paustehoa. Tämä johtuu siitä, että anestesia vaikuttaa sympaattiseen hermostoon,
joka säätelee verisuonten supistumista ja sydämen sykettä. Anestesia-aineet, kuten
propofoli ja isofluraani, voivat suoraan vähentää sydämen supistuvuutta ja sydä-
men minuuttitilavuutta, mikä lisää alentuneen verenpaineen riskiä. Verenkierron
muutosten hallinta anestesian aikana on tärkeää, sillä liian alhainen verenpaine voi
heikentää elinten, erityisesti aivojen ja munuaisten, verenkiertoa ja toimintaa. [1]
2.2 Anestesian muodot ja niiden toteutustavat
Anestesia voidaan jakaa neljään päätyyppiin: yleisanestesia, alueanestesia, paikal-
lispuudutus ja sedaatio eli monitoroitu anestesia [7]. Yleisanestesia vaikuttaa koko
hermostoon ja aiheuttaa täydellisen tajuttomuuden, mikä on tarpeen monissa suu-
rissa kirurgisissa toimenpiteissä. Alueanestesia, kuten spinaali- tai epiduraalianeste-
sia, kohdistuu tietylle kehon alueelle ja estää kivun tuntemuksen kyseisellä alueel-
la. Potilas säilyy tämän toimenpiteen aikana usein hereillä. Paikallispuudutuksessa
taas puudutetaan vain pieni, tarkasti rajattu kehonosa, ja se soveltuu pieniin toi-
menpiteisiin, joissa ei tarvita laajamittaista kivunlievitystä tai tajuttomuutta. [1].
Monitoroitu anestesia on anestesiamenetelmä, jossa potilas pidetään toimenpiteen
aikana rauhoitettuna (sedatoituna) ja kivuttomana, mutta ei täysin tajuttomana.
Sedaatiossa anestesialääkäri valvoo potilasta jatkuvasti ja hallitsee kivunlievityksen
sekä sedaation tason toimenpiteen aikana. [8]
Yleisanestesia tarkoittaa tilaa, jossa potilas on täysin tajuton eikä koe kipua tai
tunne ympäristöään. Tämä tila saavutetaan yhdistämällä yleensä useita lääkkeitä,
jotka tuottavat tajuttomuuden, kivuttomuuden ja lihasrentoutuksen. Yleisanestesi-
2.2 ANESTESIAN MUODOT JA NIIDEN TOTEUTUSTAVAT 7
aa käytetään laajasti suurissa leikkauksissa, joissa tarvitaan täydellistä liikkumat-
tomuutta ja potilaan täyttä tajuttomuutta. [1], [9]
Yleisanestesiassa voidaan käyttää laskimo- tai inhalaatioanesteetteja. Laskimoa-
nesteetit, kuten propofoli, annetaan suoraan laskimoon aiheuttaen nopeasti tajut-
tomuuden. Inhalaatioanesteetit, kuten isofluraani ja sevofluraani, hengitetään poti-
laan ilmateihin, ja ne ylläpitävät tajuttomuutta koko toimenpiteen ajan. Usein ylei-
sanestesian aikana annetaan myös lihasrelaksantteja, jotta saavutetaan täydellinen
lihasrentoutus ja estetään potilasta liikkumasta tahattomasti. [1]
Anestesiaa ohjataan ja seurataan tarkasti, ja hermoston toiminnan arviointi on
tärkeä osa anestesian hallintaa. Yleisanestesian aikana keskushermosto lamaantuu,
mikä vaikuttaa erityisesti aivokuoren toimintaan. Anestesian syvyyttä seurataan
useimmiten fysiologisten mittareiden, kuten verenpaineen ja sydämen sykkeen, avul-
la, mutta nämä eivät aina kerro tarkasti potilaan tajunnan tasosta. Tämän vuok-
si aivosähkökäyrän käyttö anestesian syvyyden mittaamisessa on lisääntynyt, sillä
EEG tarjoaa reaaliaikaisen näkymän aivojen sähköiseen toimintaan. [1], [9]
Alueanestesiassa kipuaistimus estetään tietyltä kehon alueelta ilman, että po-
tilas menettää tajuntaansa. Alueanestesia on yleinen vaihtoehto leikkauksissa, jotka
kohdistuvat alaraajoihin, lantioon tai vatsan alueelle. Alueanestesian etuna on vä-
häisempi vaikutus potilaan hengitystoimintaan ja verisuonistoon verrattuna yleisa-
nestesiaan, mikä tekee siitä turvallisemman vaihtoehdon monille potilaille.
Yleisimpiä alueanestesian menetelmiä ovat spinaali- ja epiduraalianestesia. Spi-
naalianestesiassa puudute ruiskutetaan selkäydinnesteeseen, mikä estää kipusignaa-
lien kulkeutumisen aivoihin alaraajoista. Epiduraalianestesiassa puudute annetaan
selkäydinkanavassa epiduraalitilaan, jolloin vaikutus kohdistuu kipua välittäviin her-
moihin, mutta ei tunkeudu selkäydinnesteeseen. Näitä menetelmiä käytetään erityi-
sesti alavartalon leikkauksissa, kuten lonkka- ja polvileikkauksissa, sekä synnytyk-
sessä.
2.2 ANESTESIAN MUODOT JA NIIDEN TOTEUTUSTAVAT 8
Paikallispuudutuksessa puudutetaan vain tarkasti rajattu kehon osa, kuten
ihoalue tai pieni kudosalue, jolloin kipuaistimus poistuu tältä alueelta lyhyeksi ajak-
si. Paikallispuudutusta käytetään erityisesti pienissä kirurgisissa toimenpiteissä ja
toimenpiteissä, joissa anestesia halutaan kohdistaa hyvin tarkasti. Yleisimmin käy-
tettyjä paikallispuudutteita ovat lidokaiini ja bupivakaiini, jotka ruiskutetaan suo-
raan toimenpidealueelle. Paikallispuudutus vaikuttaa vain alueellisesti eikä vaikuta
potilaan tajuntaan, joten se on turvallinen vaihtoehto, jossa potilas pysyy hereillä
toimenpiteen ajan. [1]
3 Elektroenkefalografia (EEG)
Aivosähkökäyrä eli elektroenkefalografia (EEG) on ei-invasiivinen menetelmä, joka
mittaa aivojen sähköistä aktiivisuutta. Tämä sähköinen aktiivisuus on seurausta ai-
vojen miljardien hermosolujen toiminnasta. EEG on kliinisessä käytössä yli 85 vuo-
den ajan ollut luotettava ja edullinen työkalu aivojen sähköisen toiminnan arvioimi-
seksi. Se toimii erinomaisesti neurologisten häiriöiden tutkimuksessa ja seurannassa,
kuten epilepsian, amnesian, aivosairauksien, hermostosairauksien ja erilaisten koh-
tauksien tunnistamisessa. [10], [3]
EEG:n mittausmenetelmien valinta riippuu siitä, mitä aivojen toimintaa halu-
taan tarkastella. Tyypillisin on 20–30 minuuttia kestävä rutiini-EEG, jossa potilaan
aivojen sähköistä aktiivisuutta mitataan levossa. Tällainen EEG soveltuu hyvin po-
tilaiden diagnostiseen arviointiin. [10], [3]
3.1 EEG:ssä käytettävä laitteisto
EEG:n mittauslaitteisto koostuu elektrodeista, vahvistimista, suodattimista sekä tie-
donkeruuyksiköstä, joka tallentaa luetun datan. EEG-signaalien mittaamiseen käy-
tetään erityisiä elektrodeja, jotka asetetaan päänahalle (ks. kuva 3.1), yleensä käyt-
täen standardoitua 10–20-järjestelmää. Tämä järjestelmä määrittelee elektrodien si-
joittelun pään anatomisten alueiden mukaisesti. Elektrodit asetetaan pään pinnalle
niin, että niiden välinen etäisyys perustuu pään ympärysmitan 10 tai 20 prosentin
osuuksiin. Näin elektrodit sijoittuvat tiettyihin kohtiin pään eri alueilla, kuten ot-
3.1 EEG:SSÄ KÄYTETTÄVÄ LAITTEISTO 10
salle (frontaalinen, F), ohimoille (temporaalinen, T), päälaelle (parietaalinen, P) ja
takaraivolle (okkipitaalinen, O). Elektrodien erilaisella sijoittelulla voidaan mitata
haluttuja aivoalueita. Elektrodit ovat yleensä hopea-hopeakloridipäällysteisiä levy-
jä, jotka varmistavat hyvän signaalin siirron. Yhä useammin käytetään myös verk-
koja tai myssyjä, joissa elektrodit on valmiiksi kiinnitetty, mikä helpottaa nopeaa ja
tarkkaa asennusta (ks. kuva 3.1b). [3]
(a) EEG-verkkopäähine ja liitinrasia. CC BY-
SA 4.0. [11], [3]
(b) EEG-myssy. CC BY-SA 4.0. [12]
Kuva 3.1: EEG-elektrodien asennus kahdella eri tavalla.
Koska EEG-signaalit ovat pienjännitteisiä, yleensä mikrovolttien tasolla, ne vaa-
tivat vahvistamista. Elektrodien johdot asennetaan liitinrasiaan (ks. kuva 3.1a), jos-
ta signaali välittyy vahvistimille. Eri elektrodeilta saapuvat signaalit yhdistetään,
mutta ennen vahvistimille saapumista yhdistetty signaali muutetaan analogisesta
digitaaliseksi (A/D). A/D-muunnin liitetään EEG-laitteen tietokonejärjestelmään
näytteiden tallentamiseksi. EEG-vahvistimet vahvistavat aivoista tulevat matala-
amplitudiset signaalit, jotta ne voidaan esittää visuaalisesti. [3]
Signaaleihin liittyviä häiriöitä, kuten lihasaktiviteettia, vähennetään suodatti-
milla. Tavallisesti käytetään LP- ja HP-suodattimia (engl. low pass ja high pass),
jotka auttavat erottamaan kohinan varsinaisesta signaalista. [3]
3.2 EEG-SIGNAALIEN TULKINTA JA ANALYYSI 11
3.2 EEG-signaalien tulkinta ja analyysi
Jotta aivosähkökäyrää voidaan hyödyntää anestesian syvyyden arvioinnissa, on ensin
ymmärrettävä EEG:n normaalimuodot. EEG-signaalit koostuvat erilaisista aivoaal-
tojen taajuuksista, joita käytetään aivotoiminnan arvioimiseen. Näitä analysoitavia
aaltotaajuuksia ovat delta-, theeta-, alfa-, beeta- ja gamma-aallot (ks. kuva 3.2). [3]
Alpha-, beeta- ja gamma-aallot ovat nopeita aivoaaltoja. Alfa-aallot ovat kaikista
aivoaalloista selkeimmin havaittavissa EEG-signaalissa. Ne havaitaan signaalin taa-
juusalueella 8–12 Hz ja ovat muodoltaan hyvin symmetrisiä. Alfa-aaltojen amplitudi
ja taajuus heikkenevät silmien avautuessa. Beeta-aaltojen taajuus vaihtelee välillä
13–30 Hz. Vaikka beeta-aalloilla on laajin taajuuden vaihteluväli kaikista aivoaallois-
ta, niiden amplitudi on usein matala. Aivoaaltojen suurimmat taajuudet löytyvät
kuitenkin vähintään 30 Hz:n gamma-aalloista. [4], [3]
Delta ja theeta ovat hitaita aivoaaltoja. Delta-aaltoja havaitaan 0,5–4 Hz:n taa-
juusalueella ja niiden amplitudi on aivoaalloista suurin. Theeta-aaltoja nähdään 4–
8 Hz:n taajuusalueella. Näiden lisäksi voidaan havaita muunnelmia aivoaalloista.
Näitä ovat esimerkiksi wicket-aallot, purkaukset ja piikkiaallot. Wicket-aallot ovat
erityisesti ohimolohkon alueella esiintyviä kaaren muotoisia rytmejä. [10], [4]
Aivosähkökäyrän signaaleilla on dynaamisia ominaisuuksia, joita voidaan tutkia
esimerkiksi aika-taajuusanalyyseilla. Näihin ominaisuuksiin kuuluvat muun muas-
sa aallonpituus, amplitudi, terävyys, kaltevuuden suunta ja nollatason ylitys. [14].
EEG-signaalien amplitudi kertoo aivoaktiivisuuden voimakkuudesta, ja se voi vaih-
della tilanteen mukaan, kuten unen, hereillä olon tai anestesian aikana. Anestesian
syventyessä aivoaaltojen voimakkuus heikkenee. Kun aaltomuotoa on havaittavissa
vähintään kahden minuutin ajan EEG-signaalissa, luokitellaan se hyvänlaatuiseksi.
[15], [10]
Elektrodeista saapuvat signaalit on saatava yhdistettyä, suodatettua ja analysoi-
tua signaalinkäsittelymenetelmillä. EEG-signaaleihin voivat vaikuttaa muun muassa
3.2 EEG-SIGNAALIEN TULKINTA JA ANALYYSI 12
Kuva 3.2: Aivoaallot EEG:ssä
CC BY-SA 3.0: Tekstit suomennettu. [13]
silmänliikkeet, lihasaktiviteetti ja ulkoinen kohina. Näiden häiriöiden poistamiseen
käytetään erilaisia suodatustekniikoita, kuten ylä- ja alapäästösuodattimia. Suoda-
tus on tehtävä huolellisesti, jotta varsinaiset EEG-aktiviteetit eivät vääristy. [3]. Yk-
si käytetyimmistä analyysimenetelmistä on bispektraali-indeksi (engl. bispectral in-
dex, BS), joka kuvastaa anestesian syvyyttä indeksiarvoilla 0–100 [14]. Bispektraali-
indeksiin ja muihin EEG-analyysissä käytettäviin menetelmiin perehdytään enem-
män luvussa 4.2.
EEG-raakadatan analysoinnissa voidaan hyödyntää erilaisia matemaattisia algo-
ritmeja ja tilastollisia malleja. Taajuusanalyysissa yleisesti käytetty menetelmä on
Fourier-muunnos, jolla EEG-signaali jaetaan eri taajuuskomponentteihin. Tällöin
analysoidaan erityisesti delta- ja theetataajuuksien läsnäoloa esimerkiksi unessa tai
häiriötiloissa. [2]. Wavelet-analyysi on Fourier-muunnoksen kehittyneempi versio, jo-
ka tarjoaa mahdollisuuden tarkastella signaalin piirteitä sekä ajan että taajuuden
suhteen. Aika-tasoanalyysissä keskitytään signaalin amplitudiin, aallonpituuteen ja
3.2 EEG-SIGNAALIEN TULKINTA JA ANALYYSI 13
nollatason ylitykseen. [4]. Tilastollisista analyyseistä esimerkkinä on näytteen entro-
pia, joka mittaa EEG-signaalin monimutkaisuutta ja ennustettavuutta. Anestesian
aikana EEG-signaali yksinkertaistuu, ja entropian lasku kuvastaa potilaan siirtymis-
tä syvempään anestesiatasoon. [15]
Kvantitatiivinen EEG (engl. quantitative EEG, qEEG) tarjoaa matemaattisen
tavan analysoida EEG-dataa. Sen avulla eri taajuuskomponentit voidaan erotella, ja
tulokset esitetään usein värikoodattuina karttoina tai graafeina. Tämä visualisointi
auttaa havaitsemaan tietyn aivoalueen toiminnan muutoksia ajan myötä. Bispekt-
raalimonitori hyödyntää qEEG-analyysin tuloksia ja esittää potilaan aivotoimin-
taa kuvaavia spektrikuvia. Näissä kuvissa värit punaisesta tummansiniseen kuvaa-
vat taajuusalueiden voimakkuutta, mikä mahdollistaa taajuusalueilla tapahtuvien
muutosten havainnoinnin. Tämä analyysi tukee anestesian annostelua ja lääkkeiden
vaikutusten arviointia leikkaustilanteessa. Spektrianalyysi ja qEEG ovat erityisen
hyödyllisiä myös pitkäaikaisessa seurannassa ja neurodegeneratiivisten, hermostoa
rappeuttavien, sairauksien diagnostiikassa, joissa pienetkin aivotoiminnan muutok-
set voivat olla merkityksellisiä. [16], [2]
Signaalinkäsittelymenetelmissä hyödynnetään myös erilaisia koneoppimismalle-
ja. Tukivektorikoneet (engl. support vector machine, SVM) käyttävät koneoppimis-
ta EEG:n luokitteluun erityisesti kohtausaktiivisuuden tunnistamisessa. Neurover-
kot sen sijaan pystyvät oppimaan monimutkaisia malleja ja soveltuvat esimerkiksi
anestesian syvyyden ennustamiseen. [4]
EEG-laitteiston ja signaalinkäsittelymenetelmien lisäksi voidaan EEG-aktivoin-
titekniikoilla pyrkiä lisäämään aivojen sähköisen toiminnan näkyvyyttä ja laukaise-
maan mahdollisia poikkeavia EEG-piirteitä. Hyperventilaatio, eli liikahengitys, voi
lisätä delta-aaltoja ja tuoda esiin epileptisiä purkauksia. Fotostimulaatio, eli valo-
ärsykkeelle altistuminen, voi laukaista erityisesti valoherkkiin kohtauksiin liittyviä
purkauksia. Univaje puolestaan lisää mahdollisuutta havaita epileptisiä purkauksia
3.2 EEG-SIGNAALIEN TULKINTA JA ANALYYSI 14
unen aikana, sillä uni voi itsessään lisätä kohtaustoiminnan esiintymistä. [3]
4 Aivosähkökäyrän hyödyntäminen
anestesian syvyyden arvioinnissa
EEG mittaa aivojen sähköistä toimintaa kallon pinnalta ja tuottaa signaaleja, jot-
ka koostuvat eri taajuisista aivoaalloista. Näiden aivoaaltojen taajuus ja amplitudi
muuttuvat anestesian aikana, ja näitä muutoksia voidaan käyttää arvioimaan anes-
tesian syvyyttä.
4.1 Aivoaaltojen muutokset anestesian aikana
Anestesian aikana EEG-signaalin rakenne muuttuu merkittävästi, ja nämä muutok-
set kuvastavat anestesian vaikutusta aivotoimintaan ja tajunnan tasoon. Anestesian
aikana EEG:ssä on havaittavissa alfa-, beeta-, theeta- ja delta-aaltoja. Näiden ai-
voaaltojen muutosten tarkastelu on keskeinen osa anestesian syvyyden arviointia,
sillä erilaiset aivoaallot ja niiden ominaisuudet antavat tietoa anestesialääkkeiden
vaikutuksista sekä potilaan tilasta toimenpiteen aikana. [2]
Alfa-aallot ovat tyypillisiä hereillä ollessa, erityisesti rentoutuneessa tilassa sil-
mät kiinni. Alfa-aaltojen pääalue on takaraivolohko, ja niiden hallitsevuus vähenee
silmien avaamisen myötä. Beeta-aaltoja esiintyy aktiivisen ajattelun, keskittymisen
ja valppauden tiloissa. Ne voimistuvat erityisesti lääkkeiden, kuten bentsodiatse-
piinien, vaikutuksesta. Alfa- ja beeta-aallot ovat nopeita aivoaaltoja ja näkyvät ti-
heämpänä sahalaitana EEG-signaalissa (ks. kuva 3.2). [2], [10]. Gamma-aallot, jotka
4.1 AIVOAALTOJEN MUUTOKSET ANESTESIAN AIKANA 16
ovat alfa- ja beeta-aaltojakin nopeampia aivoaaltoja, liittyvät tietoisiin toimintoi-
hin eivätkä yleensä näy anestesian aikana. Poikkeuksena on kuitenkin ketamiinin
vaikutus, joka voi aktivoida gamma-aaltoja EEG-signaalissa. [17]
Hitaammat aivoaallot, theeta- ja delta-aallot (ks. kuva 3.2), näkyvät selkeäm-
pänä signaalina EEG:ssä. Theeta-aallot liittyvät uneliaisuuteen ja kevyisiin univai-
heisiin, ja niitä voi esiintyä myös syvissä rentoutumisen tiloissa. Theeta-aaltojen
esiintyminen voi vaihdella yksilön hereillä olon ja unen siirtymätilojen välillä. Delta-
aaltoja esiintyy syvän unen aikana sekä aivojen lepovaiheissa. Näitä aaltoja nähdään
myös nuorten lasten EEG:ssä ja ne voivat liittyä aivojen kehityksellisiin muutoksiin.
[2]
Neljän aivoaallon lisäksi aivosähkökäyrässä voi havaita purskevaimentumailmiön
(engl. burst suppression, BS), jossa vuorottelevat korkea-amplitudista aktiivisuut-
ta sisältävät purkaukset ja hiljaiset matala-amplitudiset tai tasaiset jaksot. Pur-
kausjaksot on havainnollistettu kuvassa 4.1. Tasaisien jaksojen aikana aivojen säh-
köinen toiminta on lähes täysin poissa. Tämä tila heijastaa aivojen syvää toimin-
nan lamaantumista ja esiintyy usein syvässä yleisanestesiassa sekä tietyissä patolo-
gisissa olosuhteissa, kuten hypotermian, hapenpuutteen aiheuttaman iskemian tai
kooman yhteydessä. Purkausjaksot kuvastavat aivojen vähäistä dynaamista aktiivi-
suutta korkeatasoisten aivotoimintojen ollessa poissa. Vaikka purskevaimentuma voi
osoittaa tehokasta anestesiaa, sen pitkäaikainen esiintyminen voi olla haitallista, esi-
merkiksi lisäten postoperatiivisen kognitiivisen häiriön riskiä. Purskevaimentuman
kesto ja toistumistiheys ovat tärkeitä mittareita anestesian syvyyden arvioinnissa.
[2], [16]
Aivoaaltojen muutoksiin vaikuttavat potilaan yksilölliset ominaisuudet, kuten
ikä ja neurologinen tila. Esimerkiksi iäkkäillä potilailla EEG-signaali voi olla luon-
nostaan hitaampi, mikä voi vaikeuttaa anestesian vaikutusten erottamista normaalis-
ta aivotoiminnasta. Lisäksi tiettyjen lääkkeiden, kuten ketamiinin tai sevofluraanin,
4.2 EEG-ANALYYSISSA KÄYTETTÄVÄT MENETELMÄT ANESTESIAN
SYVYYDEN ARVIOINTIIN 17
Kuva 4.1: Purskevaimentumailmiö
CC BY-SA 4.0: Kuvaa rajattu. [18]
käyttö voi tuottaa erityisiä EEG-malleja, jotka eroavat perinteisistä anestesian aika-
na havaittavista aivotoiminnoista. Ketamiini vähentää alfataajuuden voimaa ja lisää
gamma-purskeita. Sevofluraanin vaikutuksesta kevyessä anestesiassa EEG-signaali
on nopea ja matala-amplitudinen, ja anestesiasyvyyden kasvaessa EEG-aallot hidas-
tuvat ja amplitudi kasvaa. [14]
4.2 EEG-analyysissa käytettävät menetelmät anes-
tesian syvyyden arviointiin
EEG tarjoaa arvokkaan työkalun aivotoiminnan reaaliaikaiseen seurantaan ja tajun-
nan tason arviointiin anestesian aikana. EEG-signaalien analysointiin on kehitetty
useita edistyneitä menetelmiä, jotka mahdollistavat anestesian syvyyden luotetta-
van mittaamisen ja hallinnan. Näiden menetelmien avulla voidaan tunnistaa erilaisia
aivotoiminnan tiloja, ennustaa anestesiavaiheiden siirtymiä ja optimoida anestesia-
4.2 EEG-ANALYYSISSA KÄYTETTÄVÄT MENETELMÄT ANESTESIAN
SYVYYDEN ARVIOINTIIN 18
aineiden annostelua, mikä parantaa potilaiden toipumista ja vähentää komplikaa-
tioiden riskiä. [16]. Sun ym. (2020) mukaan ei ole olemassa yhtenäistä standar-
dia EEG:n piirteiden analysoinnille [14]. Tässä luvussa käsitellään keskeisiä EEG-
analyysimenetelmiä, kuten bispektraali-indeksiä, tehospektrin tiheysanalyysiä (engl.
power spectral density), näytteen entropiaa ja koneoppimismalleja, sekä niiden so-
veltamista anestesian syvyyden arvioinnissa.
Bispektraali-indeksi ja purskevaimentumailmiö. Bispektraali-indeksi on
yksi yleisimmin käytetyistä kliinisistä mittareista anestesian syvyyden arvioinnis-
sa. Bispektraali-indeksin arvo vaihtelee välillä 0–100. Arvo 100 tarkoittaa potilaan
täydellistä hereillä oloa, arvo välillä 40–60 tarkoittaa riittävää anestesiaa kirurgisille
toimenpiteille, ja 0 merkitsee, ettei aivoissa ole havaittavaa sähköistä aktiivisuut-
ta. [1], [14]. Zhao ym. (2022) tutkimuksen mukaan bispektraali-indeksi perustuu
EEG-signaalin kaksitaajuusanalyysiin, jossa EEG:n teho- ja taajuustiedot yhdiste-
tään kvantitatiiviseksi indeksiksi (0–100). Tämä indeksi auttaa anestesialääkäreitä
arvioimaan potilaan tajunnan tilaa reaaliajassa. [16]
Erityisesti EEG:n purskevaimentumakuvion tunnistaminen bispektraali-indeksin
avulla on tärkeä osa anestesian hallintaa. Purskevaimentuma mitataan vaimennus-
suhteen (engl. burst suppression ratio) ja vaimennustodennäköisyyden avulla (engl.
burst suppression potential). Vaimennussuhteen arvo vaihtelee välillä 0–1, jossa 0
tarkoittaa, että vaimennusta ei ole ja 1 vaimentunutta EEG:tä. [2]. Zhao ym. vahvis-
tivat bispektraali-indeksin ennustavan purskevaimentuman esiintymisen ja auttavan
vähentämään sen kestoa. Tämä parantaa leikkauksen laatua ja vähentää esimerkiksi
postoperatiivisen deliriumin (POD) riskiä. [16]
Zhao ym. tutkimuksen mukaan EEG:n taajuus- ja aika-alueiden analyysi on mer-
kittävässä roolissa purskevaimentuman ennustamisessa. Esimerkiksi 95-prosenttisen
spektrireunataajuuden (95%SEF) analysointi ennen purskevaimentuman alkamista
osoitti, että taajuuskomponentit (delta-, theeta-, alfa- ja beeta-aallot) vähenevät
4.2 EEG-ANALYYSISSA KÄYTETTÄVÄT MENETELMÄT ANESTESIAN
SYVYYDEN ARVIOINTIIN 19
merkittävästi viisi minuuttia ennen purskevaimentuman alkamista. Tämä tieto aut-
taa ennakoimaan purskevaimentuman alkamisen ja mahdollistaa anestesia-aineiden
annoksen säätämisen, jotta syvää vaimennusjaksoa voidaan välttää. Koneoppimis-
malleja, kuten tukivektorikoneita ja logistista regressiota, käytettiin ennustamaan
purskevaimentuman esiintymistä, ja ennustustarkkuus minuutti ennen purskevai-
mentuman alkamista oli jopa 90 %. [16]
EEG-signaalin vaihe-amplitudi ja entropia. Yksi kehitysalue on ollut Liu
ym. hyödyntämä vaihe-amplitudikytkentä (engl. Phase-Amplitude Coupling, PAC)
EEG-analyysissä. Liu ym. (2023) tutkimuksen vaihe-amplitudikytkentä tarkastelee
eri taajuuskaistojen välisiä vuorovaikutuksia, esimerkiksi matalataajuisten aaltojen
(vaihe) ja korkeataajuisten aaltojen (amplitudi) suhdetta. Vaihe-amplitudikytkennän
käyttö on osoittautunut erityisen tehokkaaksi anestesian syvyyden mittaamisessa,
erityisesti propofolin aiheuttaman tajuttomuuden aikana, jossa hitaat aallot (0,1–1
Hz) ja alfataajuudet (8–14 Hz) osoittavat vahvaa kytkentää eli vuorovaikutuksen
voimakkuutta. [19]
Liu ym. käyttävät EEG-analyysissä myös muita menetelmiä, kuten näytteen ent-
ropiaa (engl. sample entropy), joka mittaa signaalin monimutkaisuutta ajan funktio-
na. Tämä tekniikka auttaa tunnistamaan siirtymiä valveillaolon ja anestesian välillä.
Korkea entropia viittaa monimutkaiseen ja aktiiviseen aivosähkökäyrään (hereillä tai
kevyessä anestesiassa), kun taas matala entropia viittaa säännöllisempään ja yksin-
kertaisempaan EEG-signaaliin (syvä anestesia). [19]
Spektrianalyysi sekä muita analyysimenetelmiä. Nguyen-Ky ym. (2021)
tutkimus osoittaa reaaliaikaisen EEG-signaalien luokittelun mahdollistavan aneste-
siatilojen välisen siirtymän ennustamisen ja seurannan. Tutkimuksessa käytetään
matemaattista Hurst-menetelmää EEG-signaalien esikäsittelyyn ja kohinan pois-
toon. Esikäsiteltyjen EEG-signaalien Hurst-eksponentin avulla voidaan tunnistaa
anestesian eri tiloja, kuten hereillä olo (AW), kevyt anestesia (LA), kohtalainen anes-
4.2 EEG-ANALYYSISSA KÄYTETTÄVÄT MENETELMÄT ANESTESIAN
SYVYYDEN ARVIOINTIIN 20
tesia (MA), syvä anestesia (DA) ja toipuminen (RE). Tämä menetelmä mahdollistaa
EEG-signaalien reaaliaikaisen seurannan ja siirtymien ennustamisen eri anestesiati-
lojen välillä. [20]
Nguyen-Ky ym. esittivät tutkimuksessaan menetelmän, jossa yhdistetään tehos-
pektrin tiheysanalyysi, koneoppimismallit ja bispektraali-indeksi anestesian syvyy-
den arviointiin. Tehospektrin tiheysanalyysi mahdollistaa EEG-signaalien taajuus-
sisällön tarkastelun ja anestesiatilojen tunnistamisen taajuuskomponenttien perus-
teella. Täten voidaan arvioida, kuinka paljon kutakin taajuutta esiintyy suhtees-
sa muihin. Tutkimuksen Welch-menetelmällä laskettu tehospektrin tiheysanalyysi
osoitti, että hereillä ollessa EEG-signaalin taajuusalue kattaa jopa 0–500 Hz, kun
taas syvässä anestesiassa aktiivisuus keskittyy huomattavasti kapeammalle taajuusa-
lueelle, kuten 0–10 Hz. Tämä taajuuskomponenttien ero auttaa erottamaan aneste-
siatilat tarkasti ja seuraamaan niiden muutoksia reaaliajassa. [20]
Koneoppiminen anestesiassa. Nguyen-Ky ym. tutkimuksessa hyödynnettiin
myös koneoppimismalleja, kuten tukivektorikoneita, päätöspuita ja KNN-algoritmia
(engl. K-nearest neighbours), EEG-signaalien luokitteluun anestesiatilojen välillä.
Nämä mallit saavuttivat 93 prosentin tarkkuuden anestesiatilojen, kuten hereillä
olon, kevyen anestesian, kohtalaisen anestesian ja syvän anestesian, erottelussa. Mal-
lit koulutettiin ja validoitiin potilasdatan perusteella, mikä mahdollisti niiden sovel-
tamisen laajasti erilaisiin anestesiaskenaarioihin. Koneoppimismallit olivat erityisen
tehokkaita anestesiatilojen välisen siirtymän ennustamisessa. [20]
Nguyen-Ky ym. vertailivat tutkimuksensa tuloksiaan bispektraali-indeksiin, mi-
kä osoitti uuden menetelmän paremmuuden. Vaikka bispektraali-indeksi on laajasti
käytetty anestesian syvyyden mittari [16], Nguyen ym. vertailuissa se ei aina pys-
tynyt luotettavasti erottamaan kevyen ja kohtalaisen anestesian tiloja, kun taas
tehospektrin tiheysanalyysin ja koneoppimisen yhdistelmä tarjosi selkeämmän ja
tarkemman erottelun. Tämä yhdistelmä tukee anestesian hallintaa tarjoamalla re-
4.3 HAASTEET JA HÄIRIÖT EEG-SIGNAALISSA ANESTESIAN AIKANA21
aaliaikaisen, yksityiskohtaisen kuvan potilaan tajunnan tasosta ja anestesiatilojen
muutoksista. [20]
Toinen esimerkkitutkimus koneoppimismallien hyödyntämisestä on Shanmugapriya
ym. (2023) tutkimus, jossa kehitettiin konvoluutiohermoverkkoihin (engl. convolu-
tional neural network, CNN) perustuva syväoppimismalli. Mallin tarkoituksena on
luokitella potilaan aivotilat anestesian aikana EEG-signaalien avulla. Tavoitteena
oli arvioida anestesian syvyyttä ja siten edistää potilasturvallisuutta kirurgisten toi-
menpiteiden aikana. [21]
Shanmugapriya ym. hyödynsivät koneoppimismallin kehittämisessä yli 5000 po-
tilaan EEG-dataa, joka sisälsi tietoa iältään 20–72-vuotiaista henkilöistä. Signaalit
analysoitiin erityisesti taajuuskaistalla 0,5–30 Hz, koska nämä taajuudet ovat merki-
tyksellisiä anestesiassa. Signaalin esikäsittely sisälsi melun poiston ja kanavakohtai-
sen analyysin, minkä jälkeen CNN-malli erotteli taajuuskomponentit. LSTM-verkko
(engl. long short-term memory) täydensi analyysiä tallentamalla ajallisia riippu-
vuuksia EEG-signaalissa. [21]
Tulokset osoittivat, että kehitetty malli saavutti 95 prosentin tarkkuuden poti-
laan aivotilan luokittelussa (tietoisuus/tajuttomuus). Tämä tekee siitä lupaavan työ-
kalun anestesian hallintaan, erityisesti reaaliaikaisessa ympäristössä. Mallin vahvuus
on sen kyky analysoida monimutkaisia EEG-piirteitä tarkasti ja nopeasti, mutta po-
tilaskohtaiset erot ja datan epätasainen jakautuminen eri luokkiin voivat rajoittaa
suorituskykyä. [21]
4.3 Haasteet ja häiriöt EEG-signaalissa anestesian
aikana
Anestesian aikana EEG-signaaliin voi tulla häiriöitä ja vääristymiä, jotka vaikeutta-
vat signaalin luotettavaa tulkintaa. Vaikka uudet teknologiat ovat tarkentaneet ai-
4.3 HAASTEET JA HÄIRIÖT EEG-SIGNAALISSA ANESTESIAN AIKANA22
vosähkökäyrän tulkintaa, EEG-mittausta suorittavan on yhä tunnistettava signaalin
muodot ja erotettava ne häiriöistä eli artefakteista. Artefaktit ovat EEG:ssä olevia
sähköisiä signaaleja, jotka ovat lähtöisin aivoaktiivisuuden ulkopuolelta. Artefaktit
voivat vaikeuttaa EEG-signaalin luotettavaa tulkintaa ja johtaa vaihteleviin tulok-
siin. Väärät mittaustulokset voivat johtaa virheellisiin diagnooseihin tai sairauksien
hoitamattomuuteen. Näiden haasteiden ymmärtäminen ja hallinta ovat olennaisia
EEG-pohjaisen anestesiamonitoroinnin onnistumiselle. [3], [4]
Artefaktit ovat yksi merkittävimmistä haasteista EEG-signaalissa. Ne voivat ol-
la peräisin fysiologisista tai ulkoista lähteistä. Fysiologiset artefaktit, kuten silmän-
liikkeistä, lihasaktiviteetista tai sydämen sykkeestä aiheutuvat häiriöt, vääristävät
EEG-signaalia erityisesti sen matala- ja korkeataajuisilla alueilla. Ulkoiset artefaktit,
kuten sähkömagneettinen kohina leikkaussalin laitteista tai huonontunut elektrodi-
kontakti, voivat lisäksi heikentää signaalin laatua. Artefaktien tehokas tunnistami-
nen ja poistaminen ovat olennaisia, jotta EEG-signaali kuvastaisi mahdollisimman
tarkasti potilaan aivotoimintaa. [3]. Toisaalta fysiologiset artefaktit osoittavat läsnä-
olollaan potilaan hereillä olon anestesian alussa ja herätysvaiheessa, jolloin potilaan
aktiivisuus on vilkkaampaa [22].
EEG-laitteiston suodattimet suodattavat artefakteja, mutta näiden lisäksi on
vielä kehitysvaiheessa olevia sovelluksia, jotka puhdistavat EEG-signaalin artefak-
teista. [3]. On kuitenkin tärkeää säilyttää raaka-EEG ennen signaalin käsittelyä, jot-
ta suodatettua signaalia voidaan verrata alkuperäiseen [14]. Suodattimet auttavat jo
ilmentyneiden artefaktien siivoamisessa, mutta artefaktien häiriölähteisiin voidaan
vaikuttaa ennaltaehkäisevillä toimenpiteillä kuten huolellisella ihon valmistelulla ja
elektrodien oikeaoppisella asettelulla. [14]
EEG:n ja anestesian välisen suhteen ei-lineaarisuus tuo lisähaasteita anestesian
syvyyden arviointiin. Anestesialääkkeiden vaikutus EEG-signaaliin ei ole aina en-
nakoitavissa, ja tietty annos voi tuottaa erilaisia EEG-vasteita riippuen potilaan
4.3 HAASTEET JA HÄIRIÖT EEG-SIGNAALISSA ANESTESIAN AIKANA23
fysiologiasta. Tämä monimutkaisuus tekee tarpeelliseksi käyttää monimuuttujaisia
analyysimenetelmiä ja kehittyneitä algoritmeja signaalien tulkitsemiseen.
Merkittävä haaste on EEG-signaalin monitulkintaisuus anestesian aikana. Anes-
tesialääkkeet, kuten propofoli ja sevofluraani, aiheuttavat erilaisia EEG-kuvioita
riippuen annostuksesta ja potilaan yksilöllisistä ominaisuuksista kuten iästä. Esi-
merkiksi propofolin vaikutuksesta EEG:ssä on havaittavissa lisääntynyttä beeta-
värähtelyä anestesian alkuvaiheessa. [14]. Anesteettien eroina on myös niiden eri
kohdereseptorit. Ketamiini vaikuttaa NMDA-reseptoreihin, kun taas sevofluraani ja
propofoli pääasiassa GABA-reseptoreihin. Ero johtaa erilaisiin yleisanestesian EEG-
muutoksiin. [22]
Yksilöllisten tekijöiden seurauksena myös purskevaimentumakuvion tulkinta voi
olla vaikeaa, sillä se saattaa viitata joko sopivaan syvään anestesiaan tai haitalliseen
ylianestesiaan. Tämä korostaa tarvetta käyttää standardoituja algoritmeja ja indek-
sejä, kuten bispektraali-indeksiä, anestesian syvyyden arvioinnissa. [14]. Nykyiset
anestesian syvyyttä arvioivat teknologiat, kuten bispektraali-indeksi, ovat hyödylli-
siä, mutta niissä on rajoituksia. Bispektraali-indeksi ei esimerkiksi aina kykene erot-
tamaan kevyen ja kohtalaisen anestesian tiloja tai reagoimaan nopeasti nopeisiin
muutoksiin. [16]
Ikä ja potilaskohtaiset erot lisäävät EEG-tulkinnan monimutkaisuutta. Esimer-
kiksi ikääntyneillä potilailla esiintyy luonnollisesti hitaampia EEG-taajuuksia ja
matala-amplitudisia aaltoja, mikä voi johtaa virheellisiin tulkintoihin anestesian sy-
vyydestä. Aikuisilla hallitsevana havaittava alfa-aktiivisuus tulee lapsilla näkyviin
vasta 4–6 kuukauden ikäisenä. Ikärajoitteet tulevat myös vastaan luotettavien ennus-
teiden saamiseksi lapsilla, sillä viite-EEG-tietokannat on johdettu aikuisväestöstä.
Tällaisten yksilöllisten erojen huomioimiseksi tarvitaan potilaslähtöisiä algoritmeja
ja koneoppimispohjaisia ratkaisuja. [14], [2]
4.4 POHDINTAA LÖYDÖKSISTÄ 24
4.4 Pohdintaa löydöksistä
Tämän kirjallisuuskatsauksen aikana esiin nousi monia mielenkiintoisia näkökul-
mia EEG-signaalien käyttöön anestesian syvyyden arvioinnissa sekä siihen liittyviin
haasteisiin ja mahdollisuuksiin. Katsauksessa on käsitelty sekä nykyisiä menetel-
miä että niiden rajoitteita, ja se on myös herättänyt uusia ajatuksia tulevaisuuden
kehityssuunnista.
Yksi keskeinen havainto on ollut se, kuinka monipuolisesti EEG-signaaleja voi-
daan hyödyntää anestesiassa. Menetelmät, kuten bispektraali-indeksi, tehospektrin
tiheysanalyysi ja purskevaimentumakuvion tulkinta, osoittavat EEG:n merkityksen
reaaliaikaisessa aivotoiminnan seurannassa. Tämä herätti ajatuksen siitä, että vaik-
ka nykyiset menetelmät ovat kehittyneitä, niiden tarkkuus ja käyttökelpoisuus voi-
sivat parantua entisestään yhdistämällä niitä uusiin teknologioihin, kuten koneop-
pimiseen. Esimerkiksi potilaskohtaisten tekijöiden, kuten iän tai neurologisten ero-
jen, huomiointi algoritmeissa voisi vähentää virhetulkintoja ja parantaa anestesian
hallintaa.
Haasteiden osalta erityisesti artefaktien tunnistaminen ja niiden vaikutus EEG-
signaalin tulkintaan on noussut toistuvasti esiin. Tämä korostaa tarvetta kehittää
vankempia signaalinkäsittelymenetelmiä, jotka pystyvät suodattamaan pois häiriöt
ilman, että ne vaikuttavat olennaisiin EEG-signaalin piirteisiin. Melu, artefaktit
ja epätasaisesti jakautuneet tietoluokat voivat myös heikentää koneoppimismallien
tarkkuutta. Tämä sai minut pohtimaan, miten esimerkiksi neuroverkkoja voitaisiin
hyödyntää artefaktien automaattisessa tunnistamisessa ja korjaamisessa, mikä voisi
tehostaa EEG-pohjaista analyysiä.
Mielenkiintoinen pohdinta heräsi myös siitä, miten anestesian aikana tapahtuvat
aivoaaltojen muutokset voisivat tarjota uudenlaisia näkökulmia paitsi anestesian sy-
vyyden arviointiin, myös aivojen toiminnan ymmärtämiseen laajemmin. Esimerkiksi
vaihe-amplitudikytkentä tarjoaa mahdollisuuden tutkia eri taajuuskaistojen välistä
4.4 POHDINTAA LÖYDÖKSISTÄ 25
vuorovaikutusta, mikä voi antaa arvokasta tietoa aivojen sähköisen toiminnan me-
kanismeista. Tämä herätti ajatuksen, että vaihe-amplitudikytkennän kaltaisia me-
netelmiä voitaisiin hyödyntää myös muiden tajunnan tilojen tutkimuksessa, kuten
unessa tai neurologisissa häiriöissä.
Aineistojen perusteella anestesian syvyyttä on perinteisesti arvioitu verenpaineen
ja sykkeen avulla, mutta nämä mittarit eivät suoraan kuvasta anestesia-aineiden vai-
kutusta aivoihin. Koska anestesia-aineet vaikuttavat hermosolujen välittäjäaineisiin
ja hermoston toimintaan, on loogista, että anestesian tarkin mittari löytyy suoraan
aivojen sähköisestä aktiivisuudesta. EEG tarjoaa ainutlaatuisen mahdollisuuden seu-
rata aivoissa tapahtuvia muutoksia reaaliajassa, ja sen hyödyntäminen anestesian
hallinnassa on yhä tärkeämpää. Jotta anestesian tarkkuutta voidaan parantaa, EEG-
teknologian kehittämisen ja uusien analyysimenetelmien, kuten koneoppimismallien
ja usean sensorin integraation, tulisi olla keskiössä.
Tulevaisuudessa koneoppimismalleja voitaisiin parantaa yhdistämällä EEG-signaalit
muiden fysiologisten mittausten, kuten verenpaineen ja syketiheyden, kanssa. Tämä
multisensorinen lähestyminen voisi auttaa entisestään vähentämään komplikaatioita
ja parantamaan kirurgisten toimenpiteiden turvallisuutta. Tutkimustyö koneoppimi-
sesta on tärkeä askel kohti älykkäitä ratkaisuja anestesian reaaliaikaiseen hallintaan,
ja se korostaa koneoppimismallien ja EEG-signaalianalyysin kasvavaa merkitystä
lääketieteellisessä teknologiassa.
Koneoppimisen käytössä on kuitenkin myös haasteita. Yksi keskeinen haaste on
potilaskohtaisten EEG-signaalin vaihteluiden huomioiminen. Eri ikäryhmillä, neuro-
logisilla sairauksilla ja lääkkeillä on merkittävä vaikutus EEG-signaalin ominaisuuk-
siin. Tämä tekee yksilöllisesti mukautuvien mallien kehittämisestä tärkeää. Lisäksi
koneoppimismallit vaativat suuria määriä laadukasta dataa, jotta ne voivat oppia
luotettavasti ja yleistää tuloksia erilaisiin potilastilanteisiin. Data, jonka pohjalta
koneoppiminen koulutetaan voi johtaa myös vinoutuneisiin tuloksiin, mikäli dataa
4.4 POHDINTAA LÖYDÖKSISTÄ 26
tuotetaan vain tietyillä potilasryhmillä.
Potilaskohtaisten tietojen, kuten geneettisten profiilien ja neurologisten para-
metrien, integrointi anestesian annosteluun voisi tarjota yksilöllisemmän lähesty-
mistavan. Esimerkiksi geenitestit voisivat paljastaa potilaan elimistön kyvyn ha-
jottaa tiettyjä anestesia-aineita, jolloin annostusta voisi säätää tämän perusteella.
Koneoppimista voitaisiin kehittää luomaan potilaille tarkemmat yksilölliset aivo-
sähköiset profiilit, ja näin saada arvioitua anestesian vaikutusta potilaskohtaisesti.
Koneoppimismallit voisivat analysoida laajaa potilasdataa ja oppia tunnistamaan,
millaiset anestesiavaatimukset liittyvät erilaisiin fysiologisiin ja neurologisiin profii-
leihin. Nämä algoritmit voisivat reaaliaikaisesti säätää anestesia-aineen annostelua.
Vaikka anestesian aikana potilas ei ole tietoinen, pre- ja postoperatiivinen poti-
laspalaute voi tarjota tärkeää tietoa anestesian vaikutuksista. Postoperatiivisen se-
kavuuden, kognitiivisen heikentymisen ja muiden komplikaatioiden tarkka dokumen-
tointi voisi auttaa optimoimaan anestesian annostelua tulevia toimenpiteitä varten.
On myös huomioitava eettiset ja käytännölliset kysymykset, kuten koneoppimis-
pohjaisten järjestelmien integrointi leikkaussalien infrastruktuuriin sekä lääketieteel-
listen ammattilaisten kouluttaminen niiden käyttöön. Henkilökohtaisten ja arkaluon-
toisten terveystietojen tietoturvallisen käsittelyn lisäksi koneoppimismallit voivat
mahdollisesti paljastaa tuottamastaan EEG-datasta muutakin terveystietoa, kuten
hermosairauksia, mikä voi nostaa kysymyksiä siitä, kuinka laajasti tätä tietoa saa
hyödyntää. Koneoppimismallit voivat tehdä virheellisiä arvioita anestesian syvyy-
destä, mikä voi johtaa liian syvään tai liian kevyeen anestesiaan. Kuka on vastuussa,
jos koneoppiminen tekee virheen? Koneoppiminen voi toimia päätöksenteon tukena,
mutta vastuu anestesian hallinnasta säilyy aina hoitohenkilökunnalla.
Kaiken kaikkiaan keskustelu toi esille, että vaikka EEG-signaaleja on tutkittu
ja hyödynnetty pitkään, niiden täysi potentiaali anestesian hallinnassa ei ole vie-
lä saavutettu. Tulevaisuudessa EEG-analyysin ja uusien teknologioiden, kuten ko-
4.4 POHDINTAA LÖYDÖKSISTÄ 27
neoppimisen ja reaaliaikaisen data-analyysin, yhdistäminen voisi mullistaa aneste-
sian seurannan ja tehdä siitä entistä tarkempaa ja yksilöllisempää. Tämä korostaa
tutkimuksen ja innovoinnin merkitystä, jotta EEG:n käyttöä voidaan laajentaa ja
sen hyötyjä maksimoida niin potilasturvallisuuden kuin hoidon laadun kannalta.
5 Yhteenveto
Tässä kirjallisuuskatsauksessa on käsitelty aivoaaltojen muutoksia anestesian aikana
(TK1), EEG-signaalien analyysimenetelmiä anestesian syvyyden arvioinnissa (TK2)
sekä tähän liittyviä haasteita ja häiriöitä (TK3). Tarkastelu osoitti, että EEG tarjoaa
ainutlaatuisen ja tehokkaan tavan seurata potilaan tajunnan tasoa ja aivotoimintaa
reaaliaikaisesti. Samalla esille nousi monia menetelmiä, jotka tukevat anestesialää-
käreiden päätöksentekoa ja parantavat potilasturvallisuutta.
Anestesian aikana EEG-signaali muuttuu merkittävästi (TK1). Hitaiden delta-
ja theeta-aaltojen korostuminen kuvastaa anestesian syvenemistä, kun taas purske-
vaimentumailmiön esiintyminen voi viitata syvään aivotoiminnan vaimentumiseen.
Vaihe-amplitudikytkentä ja muut aika-taajuusanalyysin menetelmät tarjoavat uusia
näkökulmia anestesian ja aivojen sähköisen toiminnan tutkimiseen (TK2). Näitä työ-
kaluja voidaan hyödyntää myös kliinisessä päätöksenteossa anestesian tarkan hallin-
nan mahdollistamiseksi.
Keskeisiin EEG-signaalin analyysimenetelmiin kuuluvat tehospektrin tiheysana-
lyysi, bispektraali-indeksi sekä koneoppimismallit, jotka mahdollistavat tarkkojen
ja luotettavien ennusteiden tekemisen anestesiatilojen välillä (TK2). Bispektraali-
indeksi on laajasti käytetty mittari, mutta sen rajoitteet, kuten artefaktien vaikutus
ja tiettyjen anestesiatilojen erottelun vaikeus, korostavat tarvetta kehittyneemmille
menetelmille. Koneoppimisen ja uusien signaalinkäsittelytekniikoiden yhdistäminen
voi ratkaista monia nykyisiä haasteita.
LUKU 5. YHTEENVETO 29
Haasteet liittyvät erityisesti artefaktien tunnistamiseen ja poistamiseen, potilas-
kohtaisiin eroihin sekä EEG:n ja anestesian ei-lineaariseen suhteeseen (TK3). Ar-
tefaktit, kuten lihasaktiivisuuden tai silmänliikkeiden aiheuttamat häiriöt, voivat
vääristää EEG-tulkintaa ja vaikeuttaa anestesian syvyyden arviointia. Potilaan ikä
ja neurologinen tila vaikuttavat myös EEG-signaaliin, mikä tekee yksilöllisten teki-
jöiden huomioinnista tärkeää.
Tulevaisuudessa EEG-signaalien analyysimenetelmien kehittäminen tarjoaa mer-
kittäviä mahdollisuuksia anestesiaseurannan tarkkuuden ja turvallisuuden paranta-
miseksi. Koneoppimisen ja automaattisten artefaktien hallintamenetelmien integroi-
minen nykyisiin järjestelmiin voi tehdä anestesian hallinnasta entistä yksilöllisempää
ja reaaliaikaisempaa. Samalla se avaa uusia näkökulmia aivojen toiminnan ymmär-
tämiseen anestesian aikana.
Kaiken kaikkiaan EEG-signaalien käyttö anestesian syvyyden arvioinnissa on
vakiinnuttanut paikkansa kriittisenä työkaluna, mutta sen täysi potentiaali on vasta
kehitteillä. Tämä kirjallisuuskatsaus osoittaa, että sekä menetelmien vahvuudet että
haasteet tulee ottaa huomioon, jotta EEG-analyysin hyödyt voidaan maksimoida ja
sen käyttöä voidaan laajentaa osaksi modernia anestesiologiaa.
Lähdeluettelo
[1] B. F. Cullen, Clinical anesthesia fundamentals, Second edition, B. F. Cullen,
toim. Wolters Kluwer, 2022, isbn: 1-9751-1302-0.
[2] F. A. Lobo, A. P. Saraiva, I. Nardiello, J. Brandão ja I. P. Osborn, ”Elect-
roencephalogram Monitoring in Anesthesia Practice”, Current Anesthesiology
Reports, vol. 11, 2021. doi: 10.1007/s40140- 021- 00461- 6. url: https:
//doi.org/10.1007/s40140-021-00461-6.
[3] A. M. Feyissa ja W. O. Tatum, ”Adult EEG”, Handbook of Clinical Neurology,
vol. 160, s. 103–124, tammikuu 2019, issn: 0072-9752. doi: 10.1016/B978-
0-444-64032-1.00007-2.
[4] S. Siuly, Y. Li ja Y. Zhang, ”Health Information Science EEG Signal Analysis
and Classification Techniques and Applications”, url: http://www.springer.
com/series/11944.
[5] Law3liu, Ethanol and GABA Receptor, marraskuu 2014. url: https://commons.
wikimedia.org/wiki/File:Ethanol_and_GABA_Receptor.png.
[6] H. Hiis. ”standard Synapse”. (2021), url: https://sml.snl.no/synapse.
[7] ”Types of Anesthesia”, Northwestern Medicine, cited 2024. url: https://www.
nm.org/conditions-and-care-areas/surgical-services/types-of-
anesthesia.
LÄHDELUETTELO 31
[8] B. Goudra, P. M. Singh ja G. R. Lichtenstein, ”Medical, Political, and Econo-
mic Considerations for the Use of MAC for Endoscopic Sedation: Big Price,
Little Justification?”, Digestive Diseases and Sciences, vol. 65, s. 2466–2472, 9
syyskuu 2020, issn: 15732568. doi: 10.1007/s10620-020-06464-3.
[9] V. Bonhomme, C. Staquet, J. Montupil et al., ”General Anesthesia: A Probe
to Explore Consciousness”, Frontiers in Systems Neuroscience, vol. 13, elokuu
2019, issn: 16625137. doi: 10.3389/fnsys.2019.00036.
[10] J. Mari-Acevedo, K. Yelvington ja W. O. Tatum, ”Normal EEG variants”,
Handbook of Clinical Neurology, vol. 160, s. 143–160, tammikuu 2019, issn:
22124152. doi: 10.1016/B978-0-444-64032-1.00009-6.
[11] Baburov, Eeg registration, elokuu 2009. url: https://commons.wikimedia.
org/wiki/File:Eeg_registration.jpg.
[12] C. NeuroMat, Treinamento de EEG-57, tammikuu 2024. url: https://commons.
wikimedia.org/wiki/File:Treinamento_de_EEG-57.jpeg.
[13] G. Hunor-László, EEG-hullámok, toukokuu 2014. url: https://commons.
wikimedia.org/wiki/File:EEG-hull%C3%A1mok.jpg.
[14] Y. Sun, C. Wei, V. Cui, M. Xiu ja A. Wu, ”Electroencephalography: Clinical
Applications During the Perioperative Period”, Frontiers in Medicine, vol. 7,
kesäkuu 2020, issn: 2296-858X. doi: 10.3389/fmed.2020.00251.
[15] D. Roche ja P. Mahon, ”Depth of Anesthesia Monitoring”, Anesthesiology Cli-
nics, vol. 39, s. 477–492, 3 syyskuu 2021, issn: 1932-2275. doi: 10.1016/J.
ANCLIN.2021.04.004.
[16] J. Zhao, X. An, H. Du, W. Yu ja D. Ming, ”Intraoperative BIS monitoring can
predict the occurrence of EEG suppression and improve the operation quali-
ty”, teoksessa ACM International Conference Proceeding Series, Association
LÄHDELUETTELO 32
for Computing Machinery, marraskuu 2022, s. 178–183, isbn: 9781450397223.
doi: 10.1145/3574198.3574226.
[17] O. A. Moody, E. R. Zhang, K. F. Vincent et al., ”The Neural Circuits Un-
derlying General Anesthesia and Sleep”, Anesthesia and Analgesia, vol. 132,
s. 1254–1264, 5 toukokuu 2021, issn: 15267598. doi: 10.1213/ANE.0000000000005361.
[18] Kleinhern, Fneur-12-750667-g001, kesäkuu 2022. url: https : / / commons .
wikimedia.org/wiki/File:Fneur-12-750667-g001.jpg.
[19] Z. Liu, L. Si, J. Li et al., ”Monitoring the Depth of Anesthesia Based on Phase-
Amplitude Coupling of Near-Infrared Spectroscopy Signals”, IEEE Transac-
tions on Neural Systems and Rehabilitation Engineering, vol. 31, s. 2849–2857,
2023, issn: 15580210. doi: 10.1109/TNSRE.2023.3289183.
[20] T. Nguyen-Ky, H. D. Tuan, A. Savkin, M. N. Do ja N. T. T. Van, ”Real-
Time EEG Signal Classification for Monitoring and Predicting the Transi-
tion between Different Anaesthetic States”, IEEE Transactions on Biomedical
Engineering, vol. 68, s. 1450–1458, 5 toukokuu 2021, issn: 15582531. doi:
10.1109/TBME.2021.3053019.
[21] S. Shanmugapriya, P. Nagaraj, K. A. K. Reddy, S. Akshay, G. Bhanuprakash ja
C. Venkat, ”Classification of Brain States using CNN under EEG Anesthesia”,
teoksessa 2023 4th International Conference on Electronics and Sustainable
Communication Systems, ICESC 2023 - Proceedings, Institute of Electrical ja
Electronics Engineers Inc., 2023, s. 1108–1113. doi: 10.1109/ICESC57686.
2023.10192939.
[22] Y. F. Chen, S. Z. Fan, M. F. Abbod, J. S. Shieh ja M. Zhang, ”Electroencepha-
logram variability analysis for monitoring depth of anesthesia”, Journal of Neu-
ral Engineering, vol. 18, 6 joulukuu 2021, issn: 17412552. doi: 10.1088/1741-
2552/ac3316.