利用脑电图预测中重度创伤性脑损伤患者的结局
该研究为概念验证性研究,纳入57例中重度TBI患者(训练集38例,验证集19例),在ICU入住前7天进行连续脑电图监测,提取23个定量脑电图特征。采用随机森林分类器建立预测模型,最佳模型纳入8个qEEG参数、创伤后72和96小时的平均动脉压、年龄及9个IMPACT参数,预测12个月不良结局(GOSE 1-2)。训练集AUC为0.94(特异度100%,敏感度75%),验证集AUC为0.81(特异度75%,敏感度100%)。IMPACT预测器在验证集AUC为0.84(敏感度88%,特异度73%)。作者认为多因素随机森林模型有潜力预测中重度TBI患者的神经学结局。
要点
- 最佳模型纳入8个qEEG参数、72和96小时MAP、年龄及9个IMPACT参数,训练集AUC 0.94(特异度100%,敏感度75%),验证集AUC 0.81(特异度75%,敏感度100%)。
- IMPACT预测器在训练集AUC 0.74(敏感度65%,特异度81%),验证集AUC 0.84(敏感度88%,特异度73%)。
- EEG平均波幅、年龄和MAP是所有模型中最重要的特征;入院血糖对预测能力贡献较大。
- 预测在创伤后72和96小时的记录特征时最优,但该时间选择未获统计学证实,各时间间隔模型在训练集表现均良好(平均AUC 0.86)。
- 将不良结局定义为GOSE 1-4时模型性能下降。
适用人群与场景
- 年龄18岁及以上,中重度TBI(创伤现场或急诊科GCS≤12),入住ICU且预期停留超过24小时。
- 排除:严重循环衰竭(心脏骤停/脑出血)后或合并的创伤、既往TBI或CVA未完全恢复、进行性脑病(肿瘤、神经退行性疾病)、TBI前预期寿命<6个月。
诊断标准与关键阈值
- 中重度TBI:创伤现场或急诊科GCS≤12。
- 结局评估:入院后12个月GOSE,二分为不良结局(GOSE 1-2)或良好结局(GOSE 3-8)。
研究设计与关键结果
- 研究类型:概念验证性研究,基于两项前瞻性队列研究,纳入57例中重度TBI患者,分为训练集38例(2013-2016年纳入)和验证集19例(2017-2018年纳入)。
- 干预:ICU入住前7天进行连续EEG监测,提取23个qEEG特征,采用随机森林分类器建立预测模型。
- 最佳模型:纳入8个qEEG参数、创伤后72和96小时的MAP、年龄及9个IMPACT参数。
- 主要终点(12个月不良结局GOSE 1-2):训练集AUC 0.94(特异度100%,敏感度75%),验证集AUC 0.81(特异度75%,敏感度100%)。
- IMPACT预测器:训练集AUC 0.74(敏感度65%,特异度81%),验证集AUC 0.84(敏感度88%,特异度73%)。
- 不含IMPACT参数的最佳模型:验证集AUC 0.75(特异度83%,敏感度88%)。
证据类型、等级与局限
- 证据类型:基于两项前瞻性队列研究的概念验证性研究。
- 局限:主要结局GOSE未考虑非神经性死因(如多发伤患者),且患者生存取决于临床决策。
- 局限:不良结局理想定义应为GOSE 1-4,良好结局为GOSE 5-8,但因GOSE 5-8患者数量少且训练集8例随访不完整,主要选择GOSE 1-2定义;预测GOSE 1-4时模型性能下降。
- 局限:MAP作为预测参数可能因治疗优化血流动力学或脑灌注压而被人为控制;MAP贡献相对较低(不在前5位最重要因素)。
- 局限:qEEG特征未校正去骨瓣减压术或癫痫活动的潜在影响。
- 局限:训练集和验证集来自不同时间队列;训练集和验证集样本量低于预后模型理想规模。
- 局限:随机森林模型排除缺失数据的观测,因此未考虑颅内压等其他可能相关但并非所有患者都有的临床参数。
- 局限:作者认为模型应使用更大数据集进一步开发,并使用GOSE 1-4和5-8区分不良与良好神经结局;未来研究可通过纳入更多时间段和多医疗中心数据及优化模型参数提高泛化性。
对床旁实践的改变
- 作者认为,使用qEEG特征、临床数据和影像学发现的多因素随机森林模型有潜力预测中重度TBI患者的神经学结局。
- 作者认为,基于纵向qEEG参数的预测考虑了治疗影响和TBI患者异质性病理演变,而IMPACT预测器仅使用入院参数。
- EEG电极放置约需45分钟,视觉分析每天约需1-2小时,计算机算法可大幅减少分析时间。
提炼说明
- 原文未涉及「处置流程与药物剂量」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目。
全文中译27 节 · 点击展开
背景
目前持续需要一种连续、床旁可用、最好是无创的工具,以可靠预测创伤性脑损伤(TBI)患者的神经功能结局。TBI后患者结局的预测模型可能为照护者提供切合实际的信息,以便向亲属告知预期情况。此外,更好的结局预测有助于对TBI严重程度进行可靠的量化和分类,以支持临床决策[1]。
目前,国际预后与临床试验设计任务组(IMPACT)预测器是TBI后神经功能结局的最佳可用预测器。该在线预测器基于一个大型多中心数据库,该数据库包含TBI的随机对照试验和观察性研究[2]。基于入院临床参数建立线性回归模型,以预测伤后6个月的死亡率(格拉斯哥结局量表1)和不良结局(格拉斯哥结局量表1–3)[3]。该模型基于入院时的年龄、运动评分、瞳孔反应、CT特征、缺氧征象、低血压、血糖和血红蛋白。然而,该预测模型基于入院时参数,未考虑TBI患者继发性损伤的演变,也未考虑治疗的影响[4]。
脑电图(EEG)是一种无创、床旁可用的皮层活动测量方法,在镇静或昏迷患者中尤为有用[5–7]。连续EEG(cEEG)通常是ICU中TBI患者多模态监测的一部分,主要用于检测(非惊厥性或电graphic)癫痫发作[8, 9]。
已有多项尝试将EEG特征与TBI患者的功能结局相关联。较差的结局与较低的(区域)EEG功率[9]、EEG减慢[10–13]、α功率下降[9–11, 14, 15]、较低的EEG(α)变异性[9, 16, 17]以及相干性增加[18]相关。然而,大多数研究使用单一EEG特征,且仅限于伤后亚急性期(数天、数周甚至数月)的轻度TBI[19]。考虑到这些患者原发损伤的异质性、附加器官功能障碍以及继发性损伤的演变,多种EEG特征的组合可能与TBI患者的结局预测更为相关。此外,计算机算法可辅助EEG判读[6, 20, 21],从而降低劳动强度和主观性。
作为概念验证,我们报告一种cEEG监测工具,该工具使用多种定量EEG(qEEG)特征联合IMPACT预测器,用于中重度TBI患者的神经功能结局预测。
材料与方法
研究人群
2013年至2018年间,在Medisch Spectrum Twente进行了两项前瞻性队列研究,其中对中重度创伤性脑损伤(TBI)患者记录了连续脑电图(cEEG)。纳入标准为18岁及以上、中重度TBI(在创伤现场或急诊科格拉斯哥昏迷量表≤12分)入住ICU且(预计)停留时间超过24小时的患者。排除标准为创伤后或合并严重循环衰竭(心脏骤停/脑出血)、既往TBI或脑血管意外(CVA)未完全恢复、进行性脑部疾病(肿瘤、神经退行性疾病)或TBI前预期寿命有限(<6个月)者。由于脑电图属于我们的常规诊疗内容,机构审查委员会豁免了书面知情同意的要求。2013年至2016年的第一队列中,结局评估要求口头同意。自2017年起的一项更大规模临床研究中,脑电图测量获得了法定代理人的书面知情同意,并在随访期间(如可能)获得患者本人的书面知情同意。
结局评估
入院后12个月的患者结局评估由两名研究者之一通过电话进行。主要结局指标为TBI后约1年的扩展格拉斯哥结局量表(GOSE),二分为不良结局(GOSE 1–2)或良好结局(GOSE 3–8)。
临床参数
入院时记录年龄、性别、TBI时间和损伤严重度评分。从电子病历中回顾性收集纳入后前7天的以下数据:丙泊酚、芬太尼、咪达唑仑的给药情况以及平均动脉血压(MAP)。年龄是TBI后恢复的有力预后因素[2],低血压与TBI后不良结局和死亡率增加相关[2, 22, 23]。年龄和MAP特征在所有患者的任何时间点均可获取。
IMPACT预测与参数
对每位患者,在线计算IMPACT分类器的预测值[24]。IMPACT参数包括入院时的年龄、运动评分、瞳孔反应、CT特征(Marshall CT分类[25]、硬膜外血肿、创伤性蛛网膜下腔血肿)、继发性损伤(低血压和低氧血症)以及实验室参数(血糖和血红蛋白),这些均从病历中回顾性获取。
脑电图记录
入住ICU后尽快开始连续脑电图记录,持续至7天,除非患者恢复意识或ICU治疗终止。按照10–20国际系统放置19个电极(银/氯化银杯状电极或皮下导线电极)。使用配备Refa放大器的Neurocenter脑电图系统(TMSi,荷兰),采样频率为256 Hz。
脑电图特征
在TBI后24、48、72和96小时,使用0.5–30 Hz的零相位六阶Butterworth带通滤波器对60分钟脑电图数据进行预处理。采用自行研制的计算机算法在共同平均参考下以10秒窗口检测伪差并去除相关导联。伪差包括空导联以及具有大峰值或噪声的导联(振幅≥150或≤−150 μV,方差≥1400或≤1 μV²)。预处理后,在纵向双极导联组合中对每个10分钟窗口计算所有定量脑电图(qEEG)特征。
各频段绝对功率
通过在每个频段内对功率谱密度(PSD)进行积分来计算各频段的绝对功率:delta(0.5–4 Hz)、theta(4–8 Hz)、alpha(8–13 Hz)和beta(13–20 Hz)。在此,我们使用Welch方法估计每个通道的PSD,重叠率为50%,并在10分钟窗口内对60个epoch的PSD取平均值。
总功率
所有功率频段(0.5–20 Hz)的总和即为总功率。
各频段相对功率
各频段的相对功率定义为该频段内的功率与总功率之比。
ADR
alpha/delta比值(ADR)计算为alpha(8–13 Hz)和delta(0.5–4 Hz)频段的功率比。
SEF90
频谱边缘频率90%(SEF90)是指90%的功率位于其以下的较高频率处的频率。
各频段变异性
各频段功率的变异性通过中位绝对偏差(MAD)与各频段中位功率的比值计算[9],得到介于0(无变异性)和1(高变异性)之间的值。
脑对称指数
成对推导的脑对称指数(BSI)用于计算左右半球每对电极之间功率的对称性[26],表示为0(对称)到1(高度不对称)之间的值。BSI在0.5–20 Hz(总功率)和0.5–4 Hz(delta功率)频率范围内计算。
重心
重心(COG)量化了功率在头部的分布,代表某一频段内最大功率所在的地形位置。COG分别计算左右(x-)和前后(y-)方向,表示为− 1到1之间的值[27]。
平均波幅
平均波幅定义为信号的标准差。
相干性
相干性定义为所有可能通道组合之间所有幅度平方相干性的均值,使用4 s的Hanning窗和2 s的重叠,得到介于0(无同步)和1(完全同步)之间的值。
香农熵
香农熵按Shannon的定义计算[28]。较高的熵表明系统更复杂且可预测性更低[29, 30]。
规律性
规律性是基于信号波幅方差衡量EEG模式连续性的指标。规律性归一化于0到1之间,较高的值表明信号波幅更规律[6]。
EEG预处理和特征计算使用MATLAB R2018a(The MathWorks, Inc., Natick, MA)完成。
多因素模型
我们训练了一个随机森林分类器,这是一种监督机器学习方法,使用自助采样在每個节点随机选择特征以确定分裂,从而组合多个个体分类树。预测结果来自不同分类树的投票百分比[31]。由于使用更大的样本量可提高模型的预测准确性[32],我们使用了扩展的观测数量:对于每位患者,纳入TBI后24、48、72和96小时六个10分钟窗口的EEG特征。如果患者在这些时间间隔没有可用数据,则使用前一小时和后一小时(以及随后,倒数第二小时或下一小时)的可用数据。
采用R语言库中的随机森林软件包(randomForest,R 3.5.1),基于Breiman的随机森林分类方法进行建模[31]。通过观察袋外误差确定最佳树数量,设为100,最大节点数设为20。第一步,我们训练了一个随机森林分类器,结合所有脑电图(EEG)特征、年龄和平均动脉压(MAP),用于预测创伤性脑损伤(TBI)后24、48、72和96小时的结果。同样,基于两个时间间隔的所有(六种)可能组合计算了模型。第二步,选取最重要的10个特征用于创建新模型。第三步,创建新模型,将IMPACT模型中的各个参数添加到含有10个参数的模型中。
训练集中的性能采用“留一患者法”进行评估。不良结果定义为阳性分类。使用ROC曲线下面积(AUC)及50%置信区间进行模型比较。不含IMPACT参数(1)和含IMPACT参数(2)的AUC最高的模型被用于在未用于训练的外部数据集上进行验证,并与IMPACT预测因子(3)进行比较。最后,这三个模型也被训练和评估用于预测定义为GOSE 1–4的不良结果。
结果
共纳入57例患者。患者被分为训练集(2013年至2016年间纳入的38例患者)和验证集(2017年至2018年间纳入的19例患者)。符合条件患者的纳入和排除流程图见图1。
表1显示了基线特征。在训练集(p = 0.037)和验证集(p = 0.016)中,神经功能预后良好的患者均显著更年轻。损伤严重度评分和EEG监测时长在两组间均无差异。
训练集38例患者中有15例在住院期间死亡(GOSE 1),15例在1年时神经功能预后良好,GOSE在3至6之间。其余8例患者失访,因为无法通过电话联系到他们。因此,患者结果基于其医疗数据记录进行估计。其中2例在出院时处于植物状态,归入不良结果组(GOSE 1–2),另外6例归入良好结果组(GOSE 3–8)。在验证集中,无患者失访;19例患者中有11例神经功能预后良好,其余8例预后不良。
训练集中的模型选择与性能
我们基于所有qEEG特征、年龄和MAP的初始模型AUC为0.79–0.83。在我们仅选择10个最佳特征的模型中,单个时间间隔的平均AUC为0.86,后续组合间隔(24和48、48和72、72和96)为0.88,间隔1天的组合间隔(24和72、48和96)为0.82。从这些特征较少的模型中,最佳模型是包含TBI后72和96(72和96)小时特征的那个模型,AUC为0.88。将IMPACT参数添加到我们最佳模型的特征中,使训练集上的AUC增加至0.94(特异性100%,敏感性75%)。该模型随后用于验证,并独立于IMPACT预测器进行比较。
验证集中的性能
我们的最佳模型在验证集中对不良结局进行分类,不含IMPACT参数时AUC为0.75,含IMPACT参数时AUC为0.81,特异性分别为83% vs. 75%,敏感性分别为0.88 vs. 100%(图2)。
IMPACT预测器的性能
IMPACT预测器在我们的训练集上独立预测的AUC为0.74(敏感性65%,特异性81%),在验证集上的AUC为0.84(敏感性88%,特异性73%)。然而,最佳阈值下的敏感性和特异性低于我们的最佳模型(同时包含EEG和IMPACT参数)(表2)。
含和不含IMPACT参数的最佳模型的模型性能以及IMPACT预测器的性能见表2。该表还显示了这些模型在使用调整后的GOSE二分法1–4 vs. 5–8时的性能。
特征贡献
最佳模型使用了19个特征(8个定量脑电图(qEEG)、平均动脉压(MAP)和年龄,以及入院时9个其他IMPACT参数),其各自贡献如图3所示,按相关性从高到低排列。脑电图平均波幅、年龄和MAP是所有模型中的重要特征。在创伤性脑损伤(TBI)后72+96小时的模型中,最相关的特征来源于72小时,而96小时的平均波幅也对模型的可预测性有强烈贡献。在IMPACT参数中,入院时血糖水平对模型的预测能力有强烈贡献。其次,入院时运动评分和血红蛋白水平是中等相关性的特征。相关性最低的是瞳孔反应性、低血压、缺氧,以及CT扫描上硬膜外血肿或创伤性硬膜下出血的存在。后者的评分也低于脑电图特征。
讨论
我们开发了一个多因素模型作为概念验证,使用机器学习算法纳入qEEG特征和临床相关参数,用于中重度TBI的预后判断。我们的最佳模型包括TBI后72和96小时的qEEG特征和MAP,结合入院时的临床(IMPACT)参数。我们的模型在训练集上的AUC为0.94,在验证集上为0.81。在训练集和验证集中,我们最佳模型的敏感度和特异度均略高于单独使用IMPACT预测器,而ROC的AUC相似。
尽管过去几十年中已有若干尝试将个体脑电图参数与TBI后患者结局相关联[9–11, 13–16, 19, 33–37],但尚无基于多个qEEG参数预测中重度TBI后急性期患者结局的模型被报道。
定量脑电图特征对模型的预测能力有高度贡献,尤其是脑电图平均波幅。尽管脑电图平均波幅(或总功率)已与昏迷深度[38]及心脏骤停后患者的神经学结局[6]相关联,但鲜有描述其与TBI后患者结局的关系[9]。72小时时90%频谱边缘频率和相对α功率是第二和第三最相关的qEEG特征。这与Tolonen等人最近的一项研究一致,该研究表明中位α功率与TBI后患者结局最为相关[9]。
72 小时时的年龄和平均动脉压(MAP)也是相关的预后特征,这与早期文献所述年龄是创伤性脑损伤(TBI)后恢复的有力预后因素一致 [2]。预测在纳入 TBI 后 72 和 96 小时记录的 features 时最为理想。这一时间间隔恰好与继发性损伤风险期重合,因此该时期可能对 TBI 患者的预后产生重大影响 [39]。尽管 72 + 96 小时模型被选为这一概念验证的最佳模型,但这并未得到统计学证实,且所有模型在训练集中不同(个体)时间间隔均表现良好(平均 AUC 为 0.86)。因此,其他时间间隔的模型在未来研究中也可能值得关注。此外,时间演变可能具有额外的预后价值。在 72 和 96 小时时,由于患者死亡或苏醒并转入普通病房,患者数量下降。 remaining 的是无即刻死亡风险且苏醒情况不确定的患者,这也正是照护者可以使用更好决策支持工具的人群。
在 IMPACT 参数中,入院时血糖水平对模型预测能力的贡献最大。Murray 等已指出 TBI 的预后模型应包含实验室数据,尤其是血糖 [2],尽管他们发现血糖相较于 IMPACT 预测因子中的其他参数效应较小 [24]。对我们模型最不相关的是瞳孔反应性、低血压、缺氧以及 CT 扫描上存在硬膜外血肿(EDH)或创伤性硬膜下出血。相反,Steyerberg 等发现大多数预后信息由年龄、运动评分和瞳孔反应包含,且 CT 信息提供了额外信息,尽管该信息对于预后目的可能不够详细 [24]。Lee 等(2019)[40] 最近表明,缺乏后部优势节律、缺乏睡眠 N2 期瞬变、以及前 72 小时内以 delta 活动为主和背景不连续分别与 3 个月时不良结局相关,并将 IMPACT 预测因子的预测能力从 0.65 提高到 0.77。由于我们关注定量分析而非视觉 EEG 分析,这些 EEG 特征未纳入我们的概念验证研究;然而,它们可在未来 TBI 后预测建模中加入。
EEG 测量比 IMPACT 预测更耗时。电极应用约需 45 分钟,视觉分析每天约需 1–2 小时。通过支持视觉分析的计算机算法 [6] 以及电极设计的有前景进展 [41–44],这可大幅减少。如果基于 EEG 的模型的预后能力超过 IMPACT 预测因子,其获益可能超过额外付出。
我们研究的一个优势是记录了中重度TBI患者7天高质量连续EEG测量。另一个优势是,与仅使用入院参数的IMPACT预测器相比,基于纵向qEEG参数的预测考虑了治疗的影响以及TBI患者异质性病理演变的影响[4]。我们最佳模型的预测能力与IMPACT数据集独立相当,这一事实对于一个仅在30例来自本质上异质性TBI患者群体的患者上训练的模型来说是一个令人鼓舞的结果。选择随机森林分类器是因为其防止过拟合的能力,并且模型使用留一患者法进行训练,这也降低了过拟合。随机森林模型用于多因素数据的一个局限性是它排除了存在缺失数据的观测。因此,其他可能相关的临床参数,如颅内压,并非所有患者均可获得,未纳入建模考虑。
我们研究的一个局限性是主要结局GOSE未考虑非神经性死因(在多发伤患者的情况下),并且患者生存取决于临床决策。此外,理想情况下,不良结局组应定义为死亡至重度残疾(GOSE 1–4),良好结局定义为中度残疾至良好恢复(GOSE 5–8)。由于GOSE为5–8的患者数量较少且训练集中8例患者随访不完整,我们主要选择将不良结局定义为GOSE 1–2。当预测定义为GOSE 1–4的不良结局时,模型性能确实较低。将MAP作为预测参数的一个缺点是,由于为优化血流动力学或脑灌注压而进行的治疗,它可能被人工控制。尽管MAP被纳入预测模型,但其贡献相对较低(不在前5个最相关因素中)。由于EEG特征也依赖于MAP和CPP,这可能解释其对结局预测的附加价值较低。qEEG特征未针对去骨瓣减压术或癫痫活动的潜在影响进行校正。尽管这可能增加了EEG的平均波幅,但较低的平均波幅是不良结局的强预测因子。
该研究的另一个局限性是训练集和验证集来源于不同时间段的队列。然而,我们不认为这是混杂因素,因为在此期间治疗没有变化,且不良结局的比例相对相似。训练集和验证集的规模低于预后模型的理想规模,其验证及与IMPACT预测器的单独比较亦然。然而,在这项概念验证研究中,我们展示了随机森林模型用于此目的的潜力。
模型应使用更大的数据集进一步开发,并分别使用GOSE 1–4和5–8来区分不良和良好神经结局。对于未来研究,可通过纳入来自多个时间段和医疗中心的更多数据[9]以及优化模型参数(即树和节点的数量)来获得更高的泛化性。
我们展示了定量脑电图(qEEG)参数在创伤后最初几天内对中重度创伤性脑损伤(TBI)结局预测提供了有用信息。最终,使用监测脑功能的多模态数据可能为中重度TBI患者在重症监护病房(ICU)中带来更好的决策支持工具。
结论
使用qEEG特征、临床数据和影像学发现的多因素随机森林模型有潜力预测中重度TBI患者的神经学结局。
参考来源
- Haveman ME, Van Putten MJAM, Hom HW, et al. Predicting outcome in patients with moderate to severe traumatic brain injury using electroencephalography. Crit Care. 2019. PMID: 31829226. doi:10.1186/s13054-019-2656-6
- 全文:PMC6907281(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6907281/
供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。