Escolar Documentos
Profissional Documentos
Cultura Documentos
Jonatas Pavei
Florianópolis
2018
Ficha de identificação da obra elaborada pelo autor,
através do Programa de Geração Automática da Biblioteca Universitária da UFSC.
Pavei, Jonatas
Desenvolvimento de Metodologia para a Detecção
Pré-Ictal de Crises Epilépticas Utilizando
Biomarcadores Derivados da Variabilidade da
Frequência Cardíaca / Jonatas Pavei ; orientador,
Jefferson Luiz Brum Marques, coorientador, Edson
Roberto de Pieri, 2018.
160 p.
Inclui referências.
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.1 OBJETIVOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.1.1 Objetivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.1.2 Objetivos Especı́ficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.2 RESULTADOS DO TRABALHO . . . . . . . . . . . . . . . . . . . . . 29
1.3 ESTRUTURA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2 ASPECTOS BIOLÓGICOS . . . . . . . . . . . . . . . . . . . . . 33
2.1 EPILEPSIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.1.1 Classificação de Crises e Epilepsias . . . . . . . . . . . . . . . . 35
2.1.1.1 Classificação de Crises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.1.1.2 Classificação de Epilepsias . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.1.1.3 Perı́odos da Crise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.1.2 Epilepsia e o Sistema Nervoso Autônomo . . . . . . . . . 38
2.1.2.1 Efeitos da Epilepsia no Sistema Nervoso Autônomo . . . . . . 39
2.2 SISTEMA NERVOSO AUTÔNOMO . . . . . . . . . . . . . . . . . . 40
2.2.1 Divisão do Sistema Nervoso Autônomo . . . . . . . . . . . 41
2.2.2 Centros de Controle Autonômico . . . . . . . . . . . . . . . . . . 42
2.3 SISTEMA CARDIOVASCULAR . . . . . . . . . . . . . . . . . . . . . . 42
2.3.1 Sistema Cardiovascular e Epilepsia . . . . . . . . . . . . . . . . 47
2.3.2 Variabilidade de Frequência Cardı́aca . . . . . . . . . . . . . 47
2.3.2.1 Variabilidade de Frequência Cardı́aca e Epilepsia . . . . . . . . 49
2.4 CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3 ANÁLISES E MÉTODOS . . . . . . . . . . . . . . . . . . . . . . 53
3.1 MÉTODOS DE PREDIÇÃO E DETECÇÃO . . . . . . . . . . . 53
3.1.1 Termos de Avaliação dos Testes . . . . . . . . . . . . . . . . . . . 54
3.1.2 Eletroencefalograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.1.3 Eletrocardiograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.2 ANÁLISE DA VARIABILIDADE DE FREQUÊNCIA CARDÍACA 61
3.2.1 Métodos no Domı́nio do Tempo . . . . . . . . . . . . . . . . . . . 62
3.2.1.1 Parâmetros Estatı́sticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.2.1.2 Parâmetros Geométricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.2.2 Métodos no Domı́nio da Frequência . . . . . . . . . . . . . . . 64
3.2.3 Métodos Não-Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.2.3.1 Expoente de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.2.3.2 Expoente de Hurst . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.2.3.3 Análise das Flutuações Depuradas de Tendências . . . . . . . . 69
3.2.3.4 Dimensão de Correlação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.2.3.5 Dimensão Fractal de Higuchi . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.2.3.6 Dimensão Fractal de Petrosian . . . . . . . . . . . . . . . . . . . . . . . . 72
3.2.3.7 Entropia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.2.3.8 Parâmetros de Hjorth . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.2.3.9 Gráfico de Poincaré . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.3 PRÉ-PROCESSAMENTO . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.3.1 Análise de Componentes Principais . . . . . . . . . . . . . . . 77
3.4 CLASSIFICADORES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.4.1 Redes Neurais Artificiais . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.4.1.1 Modelo Geral do Neurônio Artificial . . . . . . . . . . . . . . . . . . . 80
3.4.1.2 Arquiteturas de Redes Neurais . . . . . . . . . . . . . . . . . . . . . . . . 82
3.4.1.3 Processo de Aprendizagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.4.1.4 Principais Caracterı́sticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
3.4.2 Máquina de Vetores de Suporte . . . . . . . . . . . . . . . . . . . 85
3.4.2.1 SVMs Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
3.4.2.2 SVMs Não-Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
3.5 CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4 METODOLOGIA PARA PREDIÇÃO DE CRI-
SES EPILÉPTICAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.1 DETALHAMENTO DA PROPOSTA . . . . . . . . . . . . . . . . . . 93
4.1.1 Base de dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.1.2 Gravação do Sinal de ECG . . . . . . . . . . . . . . . . . . . . . . . . 98
4.1.3 Extração da VFC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.1.3.1 Detecção com Transformada Wavelet Contı́nua . . . . . . . . . . 100
4.1.3.2 Extração da série RR a partir da detecção . . . . . . . . . . . . . . 102
4.1.3.3 Eliminação de artefatos e batimentos cardı́acos ectópicos . 103
4.1.3.4 Extração das amostras da série RR no tempo . . . . . . . . . . . 103
4.1.4 Análises da VFC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.1.4.1 Definição dos Parâmetros de VFC . . . . . . . . . . . . . . . . . . . . . 105
4.1.5 Pré-processamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
4.1.5.1 Matriz de Covariância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
4.1.5.2 PCA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
4.1.6 Classificação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
4.1.6.1 Máquina de Vetores de Suporte . . . . . . . . . . . . . . . . . . . . . . . 114
4.1.6.2 Redes Neurais Artificiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
4.2 TREINAMENTO E AVALIAÇÃO . . . . . . . . . . . . . . . . . . . . 115
4.2.1 Construção da matriz de predição . . . . . . . . . . . . . . . . . 116
4.2.2 Configuração de Treinamento . . . . . . . . . . . . . . . . . . . . . 116
4.2.3 Avaliação do desempenho da predição . . . . . . . . . . . . . 118
4.3 CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
5 RESULTADOS E DISCUSSÕES . . . . . . . . . . . . . . . . 119
5.1 PARÂMETROS DE VFC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
5.2 RESULTADOS DA METODOLOGIA PROPOSTA . . . . . 119
5.3 CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
6 CONCLUSÕES E PERSPECTIVAS . . . . . . . . . . . . . 133
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
APÊNDICE A -- Parecer Consubstanciado do Co-
mitê de Ética em Pesquisa em Seres Humano . . . 157
25
1 INTRODUÇÃO
1.1 OBJETIVOS
1.3 ESTRUTURA
2 ASPECTOS BIOLÓGICOS
2.1 EPILEPSIA
Por fim, também foi definido que a Epilepsia só será considerada
como resolvida para indivı́duos que ou tiveram epilepsia relacionada a
uma determinada faixa etária e que agora ultrapassaram essa idade ou
não tiveram uma crise há mais de 10 anos e estão livres de medicações
antiepilépticas nos últimos 5 anos (FISHER et al., 2014).
Crises generalizadas
Tônico-clônica (em qualquer combinação)
Ausência
Mioclônica
Clônica
Tônica
Atônica
Crises focais
Desconhecidos
Espasmos epilépticos
damente pelas vias internodais (2), porém mais lentamente nas células
contráteis do átrio (3). Nesse momento ocorre a despolarização e con-
tração do átrio. Uma via internodal conecta o nó SA ao nó atrioven-
tricular (nó AV), outro grupo de células autoexcitáveis. A partir do nó
AV, a despolarização move-se para os ventrı́culos. Então, a condução é
transmitida muito rapidamente para fascı́culo atrioventricular e seus ra-
mos até o ápice do coração (4). Nesse ponto, os ramos subendocárdicos
(Fibras de Purkinje) transmitem os impulsos de modo que as células
contráteis do ápice se contraem (5) (SILVERTHORN, 2010).
2.4 CONCLUSÃO
3 ANÁLISES E MÉTODOS
3.1.2 Eletroencefalograma
3.1.3 Eletrocardiograma
de uso. Entretanto podem existir novos e outros métodos que não estão
contemplados nesse documento.
T IN N = M N (3.8)
1 | x(x0 , t)|
i = lim ln (3.9)
t!1 t | x|
onde i são ordenados do maior valor para o menor (FAUST;
BAIRY, 2012).
Nesse tese foi utilizado o algoritmo proposto por Rosenstein,
Collins e Luca (1993), que embora forneça apenas o maior expoente
de Lyapunov, se comporta de forma bastante robusta. A ideia do al-
goritmo se relaciona estreitamente com a definição de expoentes de
Lyapunov. Primeiro, a dinâmica dos dados é reconstruı́da usando um
método de inserção de um atraso (l), de modo que cada valor xi dos
dados seja mapeado para o vetor:
i (k) = Ce( k)
(3.11)
onde
T
1X
x= xi , t 2 [1, . . . , N ]. (3.14)
T i=1
R(T )
Então, S(T ) é calculado como
ln R(n)
S(n)
. (3.16)
ln n
O uso de expoente tem sido utilizado para predição e detecção de
crises, entretanto com foco no sinal de EEG (GENG et al., 2011; NAMAZI
et al., 2016). Não foram encontrados estudos utilizando o sinal de ECG
para predição e detecção de crises epilépticas.
69
e x é a média de x1 , x2 , . . . , xN ;
log F (n)
4. A flutuação pode ser definida com a inclinação da curva log n .
XX m m i
2
C(r) = ⇥(r ||X(i) X(j)||), (3.20)
(m + 1)(m) i=1 j=i
(
1 se x 0
⇥(x) = (3.21)
0 se x < 0.
Se a relação entre C(r) e r puder ser descrita pela lei
C(r) = rD , (3.22)
então D é chamado de dimensão de correção da série temporal
ou o equivalente a inclinação da função loglogC(r)
r .
Como no expoente de Hurst, para predição e detecção de crises
epilépticas, o seu uso tem se concentrado em sinais de ECG (GENG et
al., 2011). Em relação ao uso do sinal de ECG, possuem alguns estudos
(BOLEA et al., 2016), mas nenhum relacionado às crises.
onde m = 1, 2, . . . , k.
Para cada série temporal construı́da a partir da Equação 3.23, o
comprimento L(m, k) é computado por
Pb N k m c
i=2 |xm+ik xm+(i 1)k |(N 1)
L(m, k) = (N m)
(3.24)
b k ck
Pk
L(i, k)
i=1
L(k) = . (3.25)
k
Esse procedimento repete kmax vezes para cada k a partir de 1
até kmax , e então utiliza o método dos mı́nimos quadrados para deter-
ln(L(k))
minar a inclinação da linha que melhor se adapta a curva ln(L(1/k)) . O
valor da inclinação é a DFH.
Assim como outros parâmetros não-lineares, o seu uso tem se
concentrado em sinais de ECG (ZHANG et al., 2014a) para predição
e detecção de crises epilépticas. Em relação ao uso do sinal de ECG,
possuem alguns estudos (TAVARES et al., 2016), mas nenhum relacionado
às crises.
log10 N
DF P = N
, (3.26)
log10 N + log10 ( (N +0.4N ))
3.2.3.7 Entropia
2. Construir subsequências
r=k⇥ (3.28)
onde (
1 se |x(i, m) x(j, m)| < r
kj = (3.31)
0 caso contrário.
2. Construir subsequências
r=k⇥ (3.34)
e PN m 1
b j=1 kj
C (i, m 1) = , (3.37)
N m 1
onde (
1 se |x(i, m) x(j, m)| < r
kj = (3.38)
0 caso contrário.
C a (i, m)
SampEn(m, r, N ) = ln . (3.39)
C b (i, m 1)
onde
N
X xi
TP = , (3.42)
i=1
N
XN
di
M2 = , (3.43)
i=1
N
N
X 2
(di di 1)
M4 = (3.44)
i=1
N
e
di = xi xi 1. (3.45)
CV I = log[L ⇥ T ] (3.46)
e ı́ndice cardiosimpático (CSI), defindo como:
L
CSI = (3.47)
T
onde L e T são os eixos longitudinal e transversal do gráfico,
respectivamente. A Figura 14 apresenta o gráfico de Poincaré da VFC
nos perı́odos interictal e ictal.
A utilização dessa técnica é bem difundida nas análises de VFC
para diversas patologias (TOICHI et al., 1998; PONNUSAMY; MARQUES;
REUBER, 2011, 2012). Em todos os casos, é observado uma dimi-
nuição da variabilidade da frequência nos perı́odo ictal, tanto qua-
77
3.3 PRÉ-PROCESSAMENTO
y1 = v1 X, (3.50)
y2 = v2 X,
y3 = v2 X,
...
yN = vN X.
79
3.4 CLASSIFICADORES
f (x) = x; (3.51)
m
X
vk = wkj xj (3.55)
j=1
e
yk = '(vk + bk ) (3.56)
onde x1 , x2 , . . . , xm são os sinais de entrada; wk1 , wk2 , . . . , wkm ,
os respectivos pesos sinápticos do neurônio k; vk , a saı́da do combinador
linear devido aos sinais de entrada; bk , o bias; ', a função de ativação;
e yk , o sinal de saı́da do neurônio.
hw, xi + b = 0 (3.57)
O limite da decisão representado na Figura 19 tem como objetivo
classificar todos os pontos corretamente conforme a Equação 3.58.
1 ⇣X ⌘n
minimize ||w||2 + C ⇠
w,b,⇠ 2 i=1 (3.61)
sujeito a yi (hw, xi + b) 1 ⇠i, ⇠i > 0, 8i = 1, . . . , n,
3.5 CONCLUSÃO
* Dosagem diária
** Valores não conhecidos
Localização do inicio da crise: LTE: lobo temporal esquerdo,
LTD: lobo temporal direito.
Medicamentos: CBZ: carbamazepina, CLB: clobazam, CLZ: clonazepam,
OCBZ: oxcarbazepina, PB: fenobarbital, RIS: risperidona, VPA: ácido valpróico.
98
Z 1
⇤
CW Tf (a, b) = a,b (t)f (t)dt =< a,b (t), f (t)>, (4.1)
1
2 3
x11 ··· x1n
6 .. .. .. 7 2 <p⇥n ,
X = 4 . . . 5 (4.5)
xp1 ··· xpn
4.1.5 Pré-processamento
(a) Wo (x)s antes da crise até o inicio (b) (Wo (x) + 5)s antes da crise até 5s
da crise. antes da crise.
(c) (Wo (x) + 10)s antes da crise até (d) (Wo (x) + 15)s antes da crise até
10s antes da crise. 15s antes da crise.
(a) Wo (x)s antes da crise até o inicio (b) (Wo (x) + 5)s antes da crise até 5s
da crise. antes da crise.
(c) (Wo (x) + 10)s antes da crise até (d) (Wo (x) + 15)s antes da crise até
10s antes da crise. 15s antes da crise.
k
X
1 0
R= Xi X̄ Xi X̄ (4.8)
k 1 i=1
111
(a) Wo (x)s antes da crise até o inicio (b) (Wo (x) + 5)s antes da crise até 5s
da crise. antes da crise.
(c) (Wo (x) + 10)s antes da crise até (d) (Wo (x) + 15)s antes da crise até
10s antes da crise. 15s antes da crise.
Figura 31 – LF [ms2 ]
(a) Wo (x)s antes da crise até o inicio (b) (Wo (x) + 5)s antes da crise até 5s
da crise. antes da crise.
(c) (Wo (x) + 10)s antes da crise até (d) (Wo (x) + 15)s antes da crise até
10s antes da crise. 15s antes da crise.
(a) Wo (x)s antes da crise até o inicio (b) (Wo (x) + 5)s antes da crise até 5s
da crise. antes da crise.
(c) (Wo (x) + 10)s antes da crise até (d) (Wo (x) + 15)s antes da crise até
10s antes da crise. 15s antes da crise.
(a) Wo (x)s antes da crise até o inicio (b) (Wo (x) + 5)s antes da crise até 5s
da crise. antes da crise.
(c) (Wo (x) + 10)s antes da crise até (d) (Wo (x) + 15)s antes da crise até
10s antes da crise. 15s antes da crise.
⇤ = [ , v1 , . . . , vp 1] 2 <p (4.9)
onde p é o número de tipos de parâmetro.
4.1.5.2 PCA
⇤ = [v1 X] (4.10)
onde v1 é o autovetor relacionado ao maior autovalor de ⌃.
114
4.1.6 Classificação
3. Avaliação do desempenho.
116
4.3 CONCLUSÃO
5 RESULTADOS E DISCUSSÕES
por não considerar ele como resultado aceitável, pois o FP/h relacio-
nado a base de dados de pacientes saudáveis foi superior a 1. Logo,
nenhum resultado apresentou um FP/h aceitável para esse conjunto
de resultados. De qualquer modo, foi considerado como melhor resul-
tado o que possui a maior acurácia. Sendo assim, para esse conjunto,
o melhor resultado teve a sensibilidade igual a 94, 1% e FP/h de 2,53
h 1.
5.3 CONCLUSÃO
6 CONCLUSÕES E PERSPECTIVAS
modelo.
Por fim, os resultados atingidos mostram a possibilidade de se
utilizar a dinâmica dos parâmetros de VFC para detecção precoce e,
potencialmente, a predição de crises epilépticas. A metodologia utili-
zada para classificar os perı́odos interictal ou pré-ictal mostrou-se ro-
busta quanto à classificação de diferentes tipos de padrões interictais,
com valores de FP/h muito abaixo do considerado aceitável (1.0 h 1)
e com uma sensibilidade acima de 90% para predição de crises dentro
do perı́odo de 0-5 min antes do seu inı́cio. Logo, são resultados me-
lhores que os encontrado utilizando o sinal de ECG e semelhantes aos
encontrados utilizando o sinal de EEG.
Em trabalhos futuros será necessário incluir um maior número
de pacientes, a fim de examinar os possı́veis efeitos das caracterı́sticas
clı́nicas, como a idade dos pacientes, os medicamentos utilizados no tra-
tamento, o tipo de crise e, em particular, os parâmetros de VFC. Houve
diferença na proporção de gêneros entre os pacientes e o grupo de con-
trole desse trabalho. Embora existam indı́cios de diferenças de gênero
entre alguns parâmetros de VFC (KOENIG; THAYER, 2016), essas dife-
renças não foram replicadas em estudos de pacientes com epilepsia (LO-
TUFO et al., 2012). Outro aspecto importante sobre as condições clı́nicas
dos pacientes é em relação ao uso de drogas antiepilépticas. O uso des-
sas drogas têm apontado alterações em alguns parâmetros de VFC (e.g.,
tendência para valores maiores de LF em pacientes que receberam o uso
dessas drogas.) (LOTUFO et al., 2012; MEGHANA et al., 2015). Embora
esses achados indiquem uma possı́vel mudança nos tônus simpático e
parassimpático causados por essas drogas, nessa tese utilizou-se apenas
pacientes com Epilepsia crônica e em tratamento farmacoterapêutico.
Assim, o modelo para predição considerou tanto os perı́odos interictais
como os preictais com o efeito dessas medicações, evidenciando a sua
robustez em relação aos resultados atingidos. Sugere-se que esse uso
faça com que o modelo tenha um maior poder de generalização consi-
derando a realidade dos pacientes, cujo tratamento farmacoterapêutico
para pacientes com Epilepsia é considerada uma prática normal. No
entanto, seria importante que os estudos futuros assegurassem que as
observações feitas aqui não sejam afetadas pelo gênero dos pacientes,
uso de drogas antiepilépticas e tipos de crise. Além disso, novas aborda-
gens baseadas em VFC, como análises não-lineares baseadas na teoria
do caos, podem ser integradas na metodologia para explorar todo o
seu potencial para avaliar a dinâmica do SNA em múltiplas condições
fisiológicas.
137
REFERÊNCIAS
Título da Pesquisa: M A R C A D O R E S D E P O T E N C I A Ç Ã O S I N Á P T I C A E M E C A N I S M O S D E
TRANSDUÇÃO DE SINAL NA EPILEPSIA DE LOBO TEMPORAL ASSOCIADA À
ESCLEROSE DO HIPOCAMPO
Pesquisador: Roger Walz
Área Temática:
Versão: 2
CAAE: 09946012.0.0000.0121
Instituição Proponente: Universidade Federal de Santa Catarina
Patrocinador Principal: Conselho Nacional de Desenvolvimento Científico e Tecnologico ((CNPq))
DADOS DO PARECER
Apresentação do Projeto:
O projeto MARCADORES DE POTENCIAÇÃO SINÁPTICA E MECANISMOS DE TRANSDUÇÃO DE SINAL
NA EPILEPSIA DE LOBO TEMPORAL ASSOCIADA À ESCLEROSE DO HIPOCAMPO tem como objetivo
estudar mecanismos neuroquímicos envolvidos com a potenciação sináptica e vias de transdução de sinal
no tecido obtido durante as cirurgias de epilepsia. São sujeitos da pesquisa 80 pacientes com ELT-EH
consecutivos submetidos à lobectomia temporal anterior-mesial para tratamento de epilepsia de difícil
controle no Centro de Cirurgia de Epilepsia do Estado de Santa Catarina (CEPESC) no Hospital Governador
Celso Ramos.
Objetivo da Pesquisa:
Objetivo Geral:
Estudar os marcadores de potenciação e despotenciação sináptica e mecanismos de transdução de sinal
associados à epilepsia de lobo temporal associada à esclerose do hipocampo (ELTM-EH).
Recomendações:
-
Conclusões ou Pendências e Lista de Inadequações:
Recomenda-se a aprovação da emenda pelo Comitê de Ética.
Situação do Parecer:
Aprovado
Necessita Apreciação da CONEP:
Não
Considerações Finais a critério do CEP:
Assinador por:
Andréa Ferreira Delgado
(Coordenador)
Orientador:
Jefferson Luiz Brum Marques, Ph.D.
Coorientador:
Edson Roberto de Pieri, Dr.
Florianópolis, 2018