文献速递心脑血管急症重症综合管理与镇静镇痛

用新型机器学习方法监测重症监护中癫痫发作和高致痫模式负担

Monitoring the Burden of Seizures and Highly Epileptiform Patterns in Critical Care with a Novel Machine Learning Method.
PubMed 文献 · Neurocrit Care · 2020-10-06
一句话结论Claritγ算法对癫痫持续状态检测敏感性100%、特异性93%,阴性预测值99%,可辅助分诊和治疗决策。

本研究为回顾性验证研究,纳入353例成人患者(ICU和急诊)的Rapid-EEG记录,评估Claritγ机器学习算法检测癫痫发作负担的性能。以至少两名神经病学专家的多数共识为标准,算法对癫痫持续状态(发作负担≥90%)的敏感性100%、特异性93%,对任何持续时间发作的敏感性88.2%,阴性预测值99%。算法在识别癫痫持续状态和无癫痫样活动方面表现可靠,但特异性受高致痫模式误分类限制。提示该算法可作为分诊工具,辅助识别癫痫持续状态和避免过度治疗。

要点

  • 对癫痫持续状态(发作负担≥90%,即5分钟内≥4.5分钟发作活动)检测敏感性100%、特异性93%,假阳性24/353例,其中21例(87.5%)专家共识为高致痫模式(HEP)。
  • 对任何持续时间癫痫发作检测敏感性88.2%(41/47次事件),发作负担≥50%阈值敏感性100%、特异性82%,≥10%阈值敏感性88%、特异性60%。
  • 在算法未检测到发作的179份EEG中,专家仅发现2例漏诊(均<30秒),阴性预测值99%。
  • 总体假检测率0.36次/小时(1052小时累计记录中383次假检测)。
  • 算法在癫痫负担极端(可能癫痫持续状态和正常/慢波)表现可靠,但对较轻异常或较短发作特异性较低。

适用人群与场景

  • 成人患者(≥18岁),在ICU和急诊科因意识状态改变和可能的癫痫发作接受Rapid-EEG评估。
  • 来自美国6家学术和社区医院,2018年1月至2019年4月。

诊断标准与关键阈值

  • 癫痫发作负担定义为5分钟窗口内被分类为癫痫活动的10秒bin的百分比。
  • 阈值:≥10%(“频繁”,5分钟内30秒发作活动)、≥50%(“丰富”,5分钟内2.5分钟发作活动)、≥90%(“连续”,5分钟内4.5分钟发作活动,触发癫痫持续状态警报)。
  • 参考标准:至少两名临床神经生理学或癫痫专科培训的神经病学家独立判读的多数共识;分歧时增加审阅者直至达成多数共识。
  • HEP定义为未完全满足Salzburg标准的异常脑电癫痫样活动,如周期性放电或偏侧节律性δ活动。

处置流程与药物剂量

  • 第一步:使用Rapid-EEG系统(10电极头带连接手持记录器)在床旁采集EEG,通常由护士、相关健康专业人员或经培训的医疗提供者放置。
  • 第二步:数据无线传输至云服务器,Claritγ算法每10秒更新滚动5分钟窗口的发作负担值,实时生成趋势。
  • 第三步:当发作负担达到≥90%阈值时,算法向用户呈现癫痫持续状态警报,提示需要紧急临床干预。
  • 第四步:结合用户检验前临床判断解读算法输出,用于风险分层、评估治疗反应和确定紧急神经科会诊需求。
  • 原文未提及具体抗癫痫药物剂量或给药方案。

红旗征与不能漏的情况

  • 癫痫持续状态(发作负担≥90%,即5分钟内≥4.5分钟发作活动):算法触发警报,提示高癫痫持续状态风险和需要紧急临床干预。
  • 高致痫模式(HEP):算法可能误分类为癫痫发作(21/24例假阳性为HEP),需专家判读确认。
  • 算法漏诊的癫痫发作:2例被专家识别但算法未检测,持续时间均<30秒。

研究设计与关键结果

  • 研究类型:回顾性验证研究;样本量:353例患者353份Rapid-EEG记录;6家中心;累计记录1052小时(平均233±227分钟)。
  • 专家共识分类:正常或慢活动249例,HEP 87例,癫痫发作17例(其中9例为癫痫持续状态,8例<5分钟)。共识别47次离散癫痫事件。
  • 癫痫持续状态检测(≥90%负担):敏感性100%(9/9),特异性93.0%,假阳性24/353例。
  • 任何持续时间癫痫发作检测:敏感性88.2%(41/47次事件);≥50%阈值敏感性100%、特异性82%;≥10%阈值敏感性88%、特异性60%。
  • 阴性预测值:179份算法未检测到发作的EEG中,专家仅识别2例发作(均<30秒),阴性预测值99%。
  • 假检测率:0.36次/小时(1052小时中383次假检测)。
  • 专家间变异性:4名审阅≥250小时EEG的专家,对癫痫持续状态识别的敏感性范围20-89%,特异性范围94-99%。

证据类型、等级与局限

  • 证据类型:回顾性验证研究。
  • 局限性:审阅者在回顾性EEG审阅时缺乏临床数据,这是本研究最重要的局限性;临床实践中患者病史和床旁观察用于指导EEG解读和治疗决策。

对床旁实践的改变

  • 算法高敏感性(100%)检测癫痫持续状态可帮助识别需要紧急干预的患者。
  • 高阴性预测值(99%)可帮助在大部分病例中准确排除癫痫发作,避免不必要的或过度的抗癫痫药物治疗。
  • 算法对较轻异常或较短发作特异性较低,可能将HEP误分类为癫痫发作,需结合临床判断和专家判读。
  • 算法输出应结合用户检验前临床判断解读,用于分诊和确定紧急神经科会诊需求。

指南或共识出处

  • 原文未提及
全文中译12 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:Neurocrit Care. 2020 Oct 6;34(3):908–17. doi: 10.1007/s12028-020-01120-0

引言

及时诊断和治疗癫痫发作患者可以预防显著的发病率和死亡率[1]。在重症监护环境中,约30%的意识状态改变患者存在癫痫发作,其中超过90%为非惊厥性癫痫发作,只能通过脑电图(EEG)检测到[2–6]。医疗保健从业者日益认识到,癫痫发作负担(包括非惊厥性癫痫发作)与脑损伤相关,因此,持续或频繁的癫痫发作(即高癫痫发作负担)值得及时检测和治疗[7–10]。因此,及时解读EEG数据以及及时、准确地量化癫痫发作负担对于最大限度地减少脑损伤至关重要。

遗憾的是,在重症监护和急诊科环境中,EEG的常规实践面临两方面的问题:EEG记录的获取延迟,以及熟练神经科医生对其解读的显著延迟[11, 12]。当无法立即获得可指导临床决策的EEG解读时,治疗决策仅基于临床怀疑做出,这可能导致部分非惊厥性癫痫发作患者被漏诊或治疗不足,同时大量无癫痫发作活动、可能不需要积极抗癫痫药物的患者被过度治疗[13, 14]。为了提供及时的EEG获取途径,新型快速EEG系统可使医生和专职医疗人员能够在数分钟内获取EEG,并将数据实时传输至云端,在云端应用机器学习衍生的分类算法[15–17]。

人工智能(AI)在临床医学中的应用日益增多,在神经病学专业领域,脑信号已被证明特别适合机器学习方法[18]。目前市面上很少有软件程序能够检测癫痫发作或癫痫样放电并标记EEG描记,以帮助简化神经科医生的专家审阅。文献中还描述了更多用于自动检测癫痫发作和癫痫棘波的新方法,方法各异,准确度程度不一[19]。这些算法仅设计用于传统EEG系统,而如前所述,传统EEG系统往往存在延迟或不可用的情况,尤其是在非工作时间和周末[11, 12],且对于非神经病学专家而言在床旁使用过于繁琐。虽然对这些方法的全面综述超出了本文的范围,但值得注意的是,目前尚未开发出任何方法能够提供自动化、量化的癫痫发作负担指标(即单位时间内的癫痫发作频率),以帮助床旁从业者照护危重患者。提供此类反馈将有助于风险分层和治疗反应评估,以及实时确定请求神经科会诊的紧迫性。

随着重症监护和急诊医学领域对脑电图(EEG)的使用不断扩大而人力资源稀缺,使用人工智能辅助程序进行EEG解读正变得越来越必要,而神经科医生对大量同时进行的连续EEG记录进行实时详细审阅的成本过高,难以大规模部署。因此,对于能够利用EEG数据实时提供可靠风险分层工具以帮助非专家的自动化算法存在显著的未满足需求[18, 20, 21]。此类工具可在检测到类似癫痫持续状态的近持续性癫痫样模式(可能需要紧急处理)时提醒床旁护士或值班医生,并使医生能够看到所给予的抗癫痫发作药物对癫痫发作活动负荷的实时效果。

在本研究中,我们旨在验证一种监督式机器学习算法,标记为Claritγ(Ceribell Inc.,加利福尼亚州山景城),该算法最近获得FDA批准,并正在临床环境中用作临床决策支持工具。我们设计这项回顾性研究,以衡量该算法应用于使用Ceribell快速反应EEG系统(Rapid-EEG)从重症监护和急诊科环境中的患者获取的EEG数据时的性能,并描述其潜在的临床意义。

方法

快速反应EEG系统

Rapid-EEG系统(图1,更多信息见www.ceribell.com)由一个连接手持记录仪的十电极头带组成。头带环绕头部放置,并通过锁定扣固定于前额上方,EEG设置通常由经过在线或面对面培训的护士、相关健康专业人员或医疗保健提供者完成。Rapid-EEG电极(左侧1–5,右侧6–10;电极编号从前到后递增,即导联1和6靠近额极,导联5和10靠近枕部)大致对应国际10–20系统的侧链(左侧Fp1–F7、F7–T3、T3–T5和T5–O1;右侧Fp2–F8、F8–T4、T4–T6和T6–O2),并构建纵向双极导联组合以显示EEG波形。在EEG记录期间,系统使用位于EEG记录频带之外的测试频率每分钟同时测量一次两个相邻电极之间的阻抗,以避免产生伪影。数据以250 Hz的速率作为数字样本采集。手持记录仪显示、记录数据并将数据无线传输至远程云服务器,基于云的癫痫检测软件在该服务器上持续监测EEG记录。

图1 快速反应脑电图系统。快速反应脑电图系统(Rapid-EEG)由便携式脑电图记录仪和一次性电极头带组成。记录的脑电图描记显示在设备屏幕上(1),并在需要时由床旁记录仪转换为可听信号(2)。符合HIPAA要求的安全Wi-Fi连接可将数据实时传输至云端,专家神经科医生可通过远程脑电图审阅门户(3)在云端审阅脑电图描记。机器学习计算(由Claritγ算法执行)在云端门户上进行(4),并与床旁设备实时对接。因此,该系统不仅旨在提供简便快速的脑电图采集,还旨在利用四种不同的分诊模式提供可靠且可操作的诊断信息以进行风险分层。 查看原图 ↗

脑电图数据

所有脑电图均使用Rapid-EEG(Ceribell公司,加利福尼亚州山景城)获取。记录来自2018年1月至2019年4月期间在美国六家学术和社区医院的 intensive care unit(重症监护病房)和急诊科因精神状态改变和可能的癫痫发作接受评估的成年患者(≥18岁)。脑电图数据已匿名化,本研究未获取任何可识别的人口统计学或临床信息。根据美国卫生与公众服务部法规45 CFR 46.104(d)(4),本研究被归类为豁免研究,无需个体患者知情同意。需要注意的是,Claritγ算法是使用训练和测试数据集开发的,这些数据集与我们在本研究中用于验证算法性能的数据集完全不同且独立。

验证Claritγ癫痫发作负荷算法

我们在353例患者的353份Rapid-EEG记录的队列中验证了Claritγ算法的性能。算法概述见图2。每个脑电图通道的信号经过滤波并分割为不重叠的十秒时段。对每个十秒时段的脑电图信号计算时域和频域特征。使用多种特征对每个十秒时段定义癫痫发作活动,包括功率测量(各频带内功率及其比值)、形态学(信号振幅、变异性、分布及随时间的变化)、节律性和规律性(熵的测量)以及相关性(信号的跨通道相关性)。对于每个十秒时段,算法以确定性(而非概率性)方式将该段信号分类为癫痫发作或非癫痫发作。癫痫发作负荷计算为5分钟期间内被分类为癫痫发作活动的十秒脑电图数据时段的百分比。该癫痫发作负荷值每十秒更新一次,生成滚动5分钟窗口,从而产生连续的癫痫发作负荷趋势,代表患者在监测过程中癫痫发作患病率的演变。每份记录期间的最大癫痫发作负荷被用作本研究算法的最终输出;然而在临床实践中,癫痫发作负荷值和趋势将是持续可用的。

发作负荷,即任意5分钟时间段内癫痫发作活动的占比,采用改编自美国临床神经生理学会指南[22]的阈值进行描述,具体如下:10%被定义为“频繁”(表示30秒的癫痫发作活动),50%被定义为“大量”(表示2.5分钟的癫痫发作活动),90%被定义为“持续”(表示4.5分钟的癫痫发作活动)。90%(4.5分钟)的发作负荷表明发作活动已接近癫痫持续状态的定义(5分钟),因此当发作负荷达到90%阈值时,该算法会在任意时间点向用户发出警报。

图2 发作负荷的计算。Claritγ算法的输出是发作负荷值的连续定量趋势,代表5分钟时间段内包含癫痫发作活动的10秒脑电图数据分箱的百分比。发作负荷值每10秒更新一次;因此,连续的发作负荷值(例如图中所示的值1和值2,相隔10秒)可以反映患者在记录过程中癫痫发作占比的演变。发作负荷阈值改编自美国临床神经生理学会指南[22],即“频繁”癫痫发作活动定义为10%发作负荷(即5分钟时间段内30秒的癫痫发作活动),“大量”癫痫发作活动定义为50%发作负荷(即5分钟时间段内2.5分钟的癫痫发作活动),“持续”癫痫发作活动定义为90%发作负荷(即5分钟时间段内4.5分钟的癫痫发作活动)。当发作负荷达到90%阈值时,向用户发出警报,提示癫痫持续状态高风险及即将需要紧急临床干预。 查看原图 ↗

由专家神经科医生审阅脑电图所定义的参考标准

每个脑电图文件均由至少两名独立的神经科医生独立审阅,这些医生接受过临床神经生理学或癫痫专科培训。审阅者对患者的临床信息设盲,包括病史、脑电图监测指征、既往抗癫痫药物治疗以及Claritγ癫痫发作负荷趋势。专家共识(参考标准)定义为至少两名神经科医生之间达成一致;如果前两名神经科医生未达成一致,则咨询额外审阅者,直至达到多数共识。审阅者被指示标明脑电图是否包含正常、弥漫性慢波、高度癫痫样或癫痫发作活动。高度癫痫样模式(HEP)包括未完全符合Salzburg标准[23]的电graphic癫痫发作活动的活动,但确实代表异常电graphic癫痫样活动,如周期性放电或偏侧节律性δ活动[24, 25]。这些模式值得与其他非癫痫发作模式分开考虑,主要有两个原因。首先,这些模式与癫痫发作一起存在于病理活动的谱系上——即所谓的发作期-发作间期连续体(IIC)——有时难以与癫痫发作区分,尤其是在缺乏辅助临床信息时[26–28]。其次,这些模式可能受益于抗癫痫药物治疗,测量算法在这些病例中的性能将具有临床意义[26, 29–31]。参见图3,了解使用Rapid-EEG记录的每个类别的代表性样本。每个脑电图记录和每个单独标记的发作事件根据专家多数共识定义的记录中存在的最严重模式分为三类之一:癫痫发作(高严重度)、HEP(中等严重度)和正常或慢波活动(低严重度)。因此,为单个发作事件以及整体脑电图记录生成了参考标准。脑电图阅读者还标记了脑电图模式的开始和结束,从而可以计算癫痫发作持续时间,并与算法输出进行比较。

图3 使用Ceribell快速反应脑电图系统记录的脑电图样本。每个脑电图以十秒epoch显示,滤波器设置为1–30 Hz。每个脑电图下方的线图显示Claritγ算法输出。顶部图像显示接近90%阈值以触发癫痫持续状态警报的癫痫发作活动,底部图像显示算法未检测到的偏侧周期性放电 查看原图 ↗

统计分析

我们将参考(“金”)标准定义为至少两名神经科医生阅读同一份脑电图(EEG)的共识一致意见,既针对每份整体EEG记录,也针对专家识别的个体癫痫发作事件。随后,我们将Claritγ算法的癫痫发作负荷输出与该参考标准进行列表比较。利用这些列表数据,我们计算了不同癫痫发作负荷阈值(10%、50%、90%)相对于专家共识的敏感性、特异性和假检测率(假阳性事件数除以EEG记录总时长的小时数);敏感性和特异性指标的95%置信区间(CI)使用既定公式计算[32]。需要注意的是,三个阈值是累积的——即所有90%警报按定义均会同时产生10%和50%通知,所有50%警报按定义首先产生10%通知。我们的验证研究并非设计用于在三种不同阈值之间进行优化。

鉴于大量证据[33–36]描述了专家EEG审阅者之间的变异性,无论源于人为误差还是判读差异,我们试图通过量化评分者间变异性来为观察到的癫痫检测算法诊断准确性提供背景参照。我们计算了每位审阅至少250小时EEG的专家在识别伴有癫痫持续状态的EEG时的敏感性和特异性。没有单一专家审阅了所有病例,且由于每位专家审阅的是不同的记录子集,我们无法使用Cohen's κ量化评分者间变异性。

结果

参考标准

本研究共评估了353份快速EEG记录,累计EEG记录时长为1052小时(平均EEG时长:233 ± 227分钟)。无病例被排除。专家共识确定整体EEG记录中最严重的特征为:9例癫痫持续状态、8例癫痫发作(持续时间< 4.5分钟)、87例HEP、249例正常或低背景(表1)。在353份记录中,专家共识共识别出47次离散癫痫发作事件。

表1 Claritγ性能总结(个体患者层面) 查看原表 ↗

算法性能

Claritγ算法的癫痫发作负荷输出与专家共识诊断在整体EEG记录和个体事件层面的比较总结于表1,性能(以敏感性、特异性和假检测率表示)总结于表2。Claritγ在9份伴有癫痫持续状态的快速EEG中检出9份≥ 90%癫痫发作负荷(癫痫发作活动≥ 4.5分钟,从而触发即将发生癫痫持续状态的警报),且在这些病例中,Claritγ在13次持续时间≥ 4.5分钟的离散癫痫发作事件中正确检出了12次≥ 90%癫痫发作负荷。因此,识别癫痫持续状态的整体记录敏感性为100%,识别持续时间≥ 4.5分钟的个体癫痫发作事件的敏感性为92.3%。

≥ 90%癫痫发作负荷通知的特异性为93.0%,353份EEG中仅24份出现假检测。在这些假检测中,21份(87.5%)的EEG专家共识分类为HEP,表明记录中存在值得关注的癫痫样活动,即使两名审阅者未一致同意存在明确的癫痫发作。

Claritγ 正确识别出全部47次任何持续时间的离散癫痫发作事件中的41次(灵敏度88.2%)。在353份脑电图记录累计1052小时的脑电图中,Claritγ 产生383次误检,总体误检率为每小时0.36次。在Claritγ未检测到癫痫发作的179份脑电图记录中,专家审阅者仅在其中2例中识别出癫痫发作(阴性预测值99%)。在这2例中,Claritγ漏检的癫痫发作持续时间均小于30秒。

四位专家审阅了总数据集(总计1052小时)中至少250小时的数据。当将这四位审阅者对癫痫持续状态的识别结果与多数共识进行比较时(表3),个体专家评分者在灵敏度(范围20–89%)和特异度(范围94–99%)方面均表现出变异性。总体而言,灵敏度最低的审阅者特异度也最高,这是一种自然的权衡。同样重要的是要注意,在某些情况下,审阅者将癫痫持续状态病例归类为高度癫痫样模式(HEP)。这被视为漏检并降低了审阅者的灵敏度,尽管审阅者并不认为该脑电图正常。每位专家审阅了353份总记录中不同的子集。四位专家共进行了784次个体审阅(平均每份脑电图记录2.22次审阅)。没有单一专家审阅所有病例。每位专家进行的审阅数量见表3。总体而言,与Claritγ相比,专家表现出更高的特异度,且每位审阅者至少误判了1例癫痫持续状态。

表2 Claritγ算法用于癫痫发作检测的灵敏度和特异度 查看原表 ↗
表3 个体专家之间癫痫持续状态检测的变异性及Claritγ状态警报与专家共识的比较 查看原表 ↗

讨论

在本研究中,我们描述了一种人工智能机器学习算法的开发,该算法利用通过快速反应脑电图(Rapid Response EEG)获取的脑电图数据进行癫痫发作负荷测量。与专家神经科医生共识的参考标准相比(图4),该算法在癫痫持续状态检测中表现出高灵敏度(100%)(甚至优于部分接受过临床神经生理学或癫痫病学专科培训的神经科医生),并准确识别出88%的任何持续时间的癫痫发作。该算法在所有癫痫发作负荷阈值下对癫痫发作的特异度主要受限于对高度癫痫样模式的“误分类”。这些模式具有多种训练入我们算法的“癫痫样”特征(例如节律性、尖锐轮廓形态、高波幅以及跨通道的现存相关性),被当作癫痫发作。提高触发警报的癫痫发作负荷阈值(即仅在负荷达到90%水平时提醒用户)可将算法对长时间发作的特异度提高至93%。因此,该算法的性能可被认为在癫痫发作负荷谱的两端(即可能的癫痫持续状态和正常弥漫性慢活动)是可靠且有效的,但在异常负荷较低或持续时间较短时则可靠性显著降低。虽然我们的新算法输出提供了趋势线和辅助分诊/优先级排序的手段,但用户了解其对较轻异常病例或较短持续时间发作的特异度较低这一点非常重要。

图4 Claritγ性能总结。Claritγ算法在组水平上的性能表明,该算法可被视为一种可靠的分诊工具,有助于以最高灵敏度检测癫痫持续状态病例(同时将约四分之一的高度癫痫样模式过度判定为可能的癫痫持续状态)。它同样可作为一种可靠的分诊工具,帮助医生在大多数以慢化或正常模式为主的脑电图病例中避免过度激进的治疗。HEP 高度癫痫样模式,NL 正常活动,RDA 节律性δ活动,SE 癫痫持续状态,SL 慢活动,SZ 癫痫发作 查看原图 ↗

建议的临床实施工作流程

在考虑带有Claritγ的快速反应脑电图(Rapid Response EEG)的潜在临床意义时,确保其正确整合到现有工作流程中非常重要,以保障其对医生临床决策和患者管理产生最大(且安全)的影响。我们提醒读者,任何人工智能算法的输出都应在使用者的检验前临床判断背景下进行解读。据此,我们初步尝试为我们的算法在当前快速脑电图临床实践中的使用推荐一个可能的工作流程(表4)。我们注意到,该工作流程可能需要根据不同环境下的可用资源以及使用快速脑电图技术的临床科室进行修改。

如该工作流程所建议,Claritγ算法有潜力作为同类首个风险分层工具,简化急诊脑电图的实践,并指导对非惊厥性发作低度或高度怀疑的患者进行急诊分诊和更精准的治疗。此外,它还可以减轻具有脑电图专业知识的神经科医生的压力和不必要负担。我们希望,我们的算法所提供的简化风险分层,结合更早、更便捷的脑电图采集,将带来对有需要患者的更好管理。

表4 Claritγ算法的建议临床实施工作流程 查看原表 ↗

研究局限性

在回顾性脑电图审阅过程中未向审阅者提供临床数据,是本研最重要的局限性,应认为这与研究结果的解读高度相关。在临床实践中,患者病史(例如,已确诊的癫痫诊断及已知的发作症状学、近期抗癫痫发作药物)以及床旁或视频观察(例如,抽动或行为变化)被用于辅助脑电图解读并做出癫痫发作与非发作的明确判定,治疗是针对患者整体而非孤立依据脑电图来制定的。Claritγ与所有其他自动发作检测算法一样,不考虑辅助临床信息,必须认识到此类算法的输出不提供患者的最终诊断结论。事实上,任何脑电图审阅系统(人工或机器)的灵敏度和特异度都会因获得额外患者数据而显著提高。

Claritγ的实施及其对真实世界诊断和治疗决策的影响未在本研究中探讨,可在未来研究中加以解决。正如在临床工作流程讨论中所指出的,个体提供者或执业团体可能会根据提供者对各项功能的熟悉程度,采用不同的警报阈值来加快EEG审阅和治疗,或建立依赖于Rapid-EEG各种功能(视觉波形审阅、EEG可听化、Claritγ癫痫负荷)的治疗方案。

我们的队列中癫痫持续状态病例数量相对较少(353份EEG中9份),这影响了我们敏感性估计的可靠性。更大规模的Rapid-EEG数据队列将有助于解决这一问题。然而,应当指出,该多中心队列是在未排除任何病例的情况下获得的,可被认为反映了所研究的人群。

Rapid-EEG系统缺少中线及旁矢状面电极,因此高度局限于旁矢状面区域的局灶性发作将无法被Rapid-EEG检测到,也无法被Claritγ识别(尽管先前研究[37–39]认为这种覆盖范围的不足可能不会显著影响其在重症监护和急诊医学环境中的敏感性)。

结论

尽管迫切需要工具来适应不断扩展的EEG实践并解决当前EEG基础设施的低效问题,人工智能工具在神经病学和癫痫学领域的实施仍然有限。Claritγ提供了对癫痫持续状态的高敏感性检测,可作为风险分层工具,有望加快非惊厥性发作患者的诊断和治疗。我们认为机器学习工具永远不会取代通过使用者精心磨练的临床敏锐度所过滤的详细病史采集和体格检查,并建议在适当的临床判断背景下解读其输出,以安全地使用该工具。

参考来源

  1. Kamousi B, Karunakaran S, Gururangan K, et al. Monitoring the Burden of Seizures and Highly Epileptiform Patterns in Critical Care with a Novel Machine Learning Method. Neurocrit Care. 2020. PMID: 33025543. doi:10.1007/s12028-020-01120-0
  2. 全文:PMC8021593(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8021593/

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。