Data on the long-term outcome of children who are exposed to maternal cancer with or without treatment during pregnancy are lacking.In this multicenter case-control study, we compared children whose mothers received a diagnosis of cancer during the pregnancy with matched children of women without a cancer diagnosis. We used a health questionnaire and medical files to collect data regarding neonatal and general health. All children were prospectively assessed (by means of a neurologic examination and the Bayley Scales of Infant Development) at 18 months, 36 months, or both. A cardiac assessment was performed at 36 months.A total of 129 children (median age, 22 months; range, 12 to 42) were included in the group whose mother had cancer (prenatal-exposure group) with a matching number in the control group. During pregnancy, 96 children (74.4%) were exposed to chemotherapy (alone or in combination with other treatments), 11 (8.5%) to radiotherapy (alone or in combination), 13 (10.1%) to surgery alone, 2 (1.6%) to other drug treatments, and 14 (10.9%) to no treatment. Birth weight was below the 10th percentile in 28 of 127 children (22.0%) in the prenatal-exposure group and in 19 of 125 children (15.2%) in the control group (P=0.16). There was no significant between-group difference in cognitive development on the basis of the Bayley score (P=0.08) or in subgroup analyses. The gestational age at birth was correlated with the cognitive outcome in the two study groups. Cardiologic evaluation among 47 children at 36 months of age showed normal cardiac findings.Prenatal exposure to maternal cancer with or without treatment did not impair the cognitive, cardiac, or general development of children in early childhood. Prematurity was correlated with a worse cognitive outcome, but this effect was independent of cancer treatment. (Funded by Research Foundation-Flanders and others; ClinicalTrials.gov number, NCT00330447.).

Identifying a core set of features is one of the most important steps in the development of an automated seizure detector. In most of the published studies describing features and seizure classifiers, the features were hand-engineered, which may not be optimal. The main goal of the present paper is using deep convolutional neural networks (CNNs) and random forest to automatically optimize feature selection and classification. The input of the proposed classifier is raw multi-channel EEG and the output is the class label: seizure/nonseizure. By training this network, the required features are optimized, while fitting a nonlinear classifier on the features. After training the network with EEG recordings of 26 neonates, five end layers performing the classification were replaced with a random forest classifier in order to improve the performance. This resulted in a false alarm rate of 0.9 per hour and seizure detection rate of 77% using a test set of EEG recordings of 22 neonates that also included dubious seizures. The newly proposed CNN classifier outperformed three data-driven feature-based approaches and performed similar to a previously developed heuristic method.

Abstract Apnoea – the cessation of breathing – is commonly observed in premature infants. These events can reduce cerebral oxygenation and are associated with poorer neurodevelopmental outcomes. However, relatively little is known about how apnoea and shorter pauses in breathing impact brain function in infants, which will provide greater mechanistic understanding of how apnoea affects brain development. We analysed simultaneous recordings of respiration, electroencephalography (EEG), heart rate, and peripheral oxygen saturation in 124 recordings from 118 infants (post-menstrual age: 38.6 ± 2.7 weeks [mean ± standard deviation]) during apnoeas (pauses in breathing greater than 15 seconds) and shorter pauses in breathing between 5 and 15 seconds. EEG amplitude significantly decreased during both apnoeas and shorter pauses in breathing compared with normal breathing periods. Change in EEG amplitude was significantly associated with change in heart rate during apnoea and breathing pauses and, during apnoeas only, with oxygen saturation change. No associations were found between EEG amplitude and pause duration or post-menstrual age. The decrease in EEG amplitude may be a result of the changing metabolism and/or homeostasis following changes in oxygen and carbon dioxide concentrations, which alters the release of neurotransmitters. As apnoeas often occur in premature infants, frequent disruption to brain activity may impact neural development and result in long-term neurodevelopmental consequences.

Self-regulation and executive functioning are known key predictors of future cognitive development and mental health. We examined the effect of early life neonatal stress, maternal perinatal stress, kangaroo care, maternal parenting behavior and secure child attachment on executive function at 2 years corrected age (CA) in children born preterm (i.e. < 34 weeks of gestation and/or < 1500 g birth weight). Neonatal child characteristics were recorded at the Neonatal Intensive Care Unit (NICU). We examined self-reported perinatal maternal stress during NICU stay, maternal emotional availability at 4 months CA, and child attachment security at 14 months CA. The executive function battery at 2 years CA was completed by 97 children. Low birth weight, a high number of skin breaking procedures and high level of maternal stress predicted lower executive function scores. Kangaroo care, non-intrusive maternal parenting behavior and secure attachment were associated with higher executive function scores. Even after controlling for background factors, modifiable factors such as neonatal child and mother stress, kangaroo care, parenting style, and child attachment style uniquely predict later executive functioning development, indicating that preventive interventions need to integrate multiple aspects of neuroprotective care, including supporting the child-parent bond, both at the NICU and beyond.

Background/Objectives: Prematurely born individuals are at risk for developing socio-emotional difficulties and psychopathologies such as autism spectrum disorder. Particular difficulties processing social information conveyed by the face may underlie these vulnerabilities. Methods: This comprehensive review provides an overview of 27 studies published between 2000 and mid-2022 concerning face processing in individuals born preterm and/or born with low birth weight across different age ranges, paradigms, and outcome measures. The results were interpreted across different developmental stages. Results: Behavioural studies indicated that prematurity is associated with poorer facial identity and expression processing compared to term-born controls, especially for negative emotions. Structural alterations and delayed maturation in key neural face processing structures could explain these findings. Neuroimaging also revealed functional atypicalities, which may either be rooted in the structural alterations or may partly compensate for the delayed maturation. Conclusions: The results suggest that altered face processing may be associated with an increased risk of developing psychopathologies in individuals born prematurely. Future studies should investigate the preterm behavioural phenotype and the potential need for face processing rehabilitation programs.

Abstract The preterm neonate can experience stressors that affect the rate of brain maturation and lead to long-term neurodevelopmental deficits. However, some neonates who are born early follow normal developmental trajectories. Extraction of data from electroencephalography (EEG) signals can be used to calculate the neonate’s brain age which can be compared to their true age. Discrepancies between true age and brain age (the brain age delta) can then be used to quantify maturational deviation, which has been shown to correlate with long-term abnormal neurodevelopmental outcomes. Nevertheless, current brain age models that are based on traditional analytical techniques are less suited to clinical cot-side monitoring due to their dependency on long-duration EEG recordings, the need to record activity across multiple EEG channels, and the manual calculation of predefined EEG features which is time-consuming and may not fully capture the wealth of information in the EEG signal. In this study, we propose an alternative deep-learning approach to determine brain age, which operates directly on the EEG, using a Convolutional Neural Network (CNN) block based on the Inception architecture (called Sinc). Using this deep-learning approach on a dataset of preterm infants with normal neurodevelopmental outcomes (where we assume brain age = postmenstrual age), we can calculate infant brain age with a Mean Absolute Error (MAE) of 0.78 weeks (equivalent to a brain age estimation error for the infant within +/− 5.5 days of their true age). Importantly, this level of accuracy can be achieved by recording only 20 minutes of EEG activity from a single channel. This compares favourably to the degree of accuracy that can be achieved using traditional methods that require long duration recordings (typically >2 hours of EEG activity) recorded from a higher density 8-electrode montage (MAE = 0.73 weeks). Importantly, the deep learning model’s brain age deltas also distinguish between neonates with normal and severely abnormal outcomes (Normal MAE = 0.71 weeks, severely abnormal MAE = 1.27 weeks, p=0.02, one-way ANOVA), making it highly suited for potential clinical applications. Lastly, in an independent dataset collected at an independent site, we demonstrate the model’s generalisability in age prediction, as accurate age predictions were also observed (MAE of 0.97 weeks). Highlights Preterm stress exposure leads to long-term neurodevelopmental deficits Deficits are quantifiable using EEG-based brain age prediction errors Our deep-learning solution for brain age prediction outperforms previous approaches Predictions are achieved with only 20 mins EEG and a single bipolar channel Prediction errors correlate with long-term Bayley scale neurodevelopmental outcomes