标准化视觉脑电特征可预测多种病因急性意识障碍患者的预后
该研究为CERTA随机试验的事后分析,纳入364例GCS≤11或FOUR≤12的急性意识障碍患者,无近期癫痫发作征象,来自4家瑞士医院。利用8项ACNS标准化视觉EEG特征训练随机森林分类器,预测6个月生存和良好功能预后(CPC 1-2)。EEG特征预测生存的AUC为0.812,预测良好预后的AUC为0.790;加入临床特征未改善整体性能。亚组中HIE和TBI/神经外科患者的预测性能最佳(AUC 0.958和0.955),代谢/炎症/感染和卒中组较低(AUC 0.697和0.695)。
要点
- 在364例各种病因急性意识障碍患者中,仅用8项ACNS视觉EEG特征的随机森林模型预测6个月生存的AUC为0.812(95%CI未在原文给出),预测良好功能预后(CPC 1-2)的AUC为0.790。
- EEG特征单独预测优于临床特征单独预测(生存p=0.008,良好预后p=0.031);EEG+临床特征联合未改善整体性能(生存AUC=0.806,p=0.926;良好预后AUC=0.777,p=0.844)。
- 亚组预测性能:HIE的AUC=0.958,TBI/NS的AUC=0.955,代谢/炎症/感染(MIII)的AUC=0.697,卒中的AUC=0.695;HIE与卒中、HIE与MIII、TBI/NS与卒中、TBI/NS与MIII之间预测生存的AUC差异有统计学意义(p<0.05)。
- EEG背景反应性是全病因模型中最重要的EEG特征(对生存和良好预后均是),但在按病因亚组独立训练的模型中,仅TBI/NS亚组和病因不明亚组中背景反应性仍为最重要特征。
- 按病因亚组独立训练的分类器性能系统性低于全病因训练的分类器,TBI/NS和HIE亚组预测生存的性能下降有统计学意义(p=0.004和p=0.037),MIII亚组预测良好预后的性能下降有统计学意义(p=0.010)。
适用人群与场景
- 纳入:年龄>18岁、因任何病因导致意识障碍(GCS≤11或FOUR≤12)、入住重症或中间监护病房、因医学原因请求EEG检查的患者;来自4家瑞士医院(Lausanne University Hospital、Sion Hospital、Bern University Hospital、Basel University Hospital)。
- 排除:随机化前36小时内有临床或脑电癫痫发作征象、96小时内有癫痫持续状态、姑息治疗状态或书面拒绝参与临床研究。
- 研究场景为ICU/中间监护病房,EEG时机由治疗医生根据临床标准决定,各患者意识障碍发生后至EEG的时间不一致。
诊断标准与关键阈值
- 意识障碍定义:GCS≤11或FOUR≤12。
- 良好功能预后定义:6个月内最佳 cerebral performance category(CPC)为1或2;不良预后为CPC 3–5。
- EEG特征基于美国临床神经生理学会(ACNS)标准化重症监护术语,共8项:背景连续性、背景波幅、背景主要频率、背景反应性、背景对称性、NREM 2期睡眠瞬变、散发性(非节律性或周期性)癫痫样放电、节律性或周期性模式的存在。
- 预测模型为随机森林分类器,使用500棵树、AdaBoost算法、学习率0.1,类别权重为1/相对频率;全病因模型训练集242例(2/3),测试集122例(1/3);亚组特异性模型采用五折交叉验证。
- 性能评估指标为ROC曲线下面积(AUC),95%CI通过3000次bootstrap重采样确定。
处置流程与药物剂量
- 原文未提及具体处置流程或药物剂量;本研究为预后预测模型开发,未给出基于EEG特征的临床决策阈值或干预方案。
红旗征与不能漏的情况
- 原文未提及
研究设计与关键结果
- 研究类型:多中心前瞻性随机试验(CERTA,NCT03129438)的事后分析;样本量364例(女性34%,平均年龄64±15岁),来自4家瑞士医院;187例(51%)存活,139例(38%)预后良好。
- 干预/方法:利用8项ACNS视觉EEG特征训练随机森林分类器,先单独使用EEG特征,再联合临床特征(年龄、性别、纳入时GCS、首次EEG期间CRP、纳入1周内推测的病因),预测6个月生存和良好功能预后(CPC 1-2)。
- 主要终点结果:EEG特征预测生存的AUC=0.812,预测良好预后的AUC=0.790;EEG特征单独预测优于临床特征单独预测(生存p=0.008,良好预后p=0.031);EEG+临床特征联合未改善整体性能(生存AUC=0.806,p=0.926;良好预后AUC=0.777,p=0.844)。
- 亚组结果(仅EEG特征的全病因分类器):HIE预测生存AUC=0.958,TBI/NS的AUC=0.955,MIII的AUC=0.697,卒中的AUC=0.695;HIE与卒中、HIE与MIII、TBI/NS与卒中、TBI/NS与MIII之间预测生存的AUC差异有统计学意义(p<0.05)。
- 特异性分类器(按病因亚组独立训练)性能系统性低于全病因分类器:TBI/NS和HIE亚组预测生存的性能下降有统计学意义(p=0.004和p=0.037),MIII亚组预测良好预后的性能下降有统计学意义(p=0.010)。
- 特征重要性:全病因模型中EEG背景反应性是预测生存和良好预后最重要的EEG特征;临床特征中预测生存最重要的是GCS(紧随年龄),预测良好预后最重要的是年龄;在按病因亚组独立训练的模型中,仅TBI/NS亚组和病因不明亚组中背景反应性仍为最重要特征。
证据类型、等级与局限
- 证据类型:多中心前瞻性随机试验(CERTA)的事后分析(post hoc analysis),非预设主要分析。
- 局限:EEG检查由治疗医生根据临床标准决定,存在选择偏差(已决定撤除生命支持治疗或快速好转的患者未纳入);各患者EEG距意识障碍发生的时间不一致;亚组特异性分类器训练样本量小(MIII亚组每折38例,HIE亚组每折88例),存在过拟合风险;卒中亚组仅考虑不对称性的存在与否而未考虑严重程度。
对床旁实践的改变
- 本研究提示:在因各种病因导致急性意识障碍(GCS≤11或FOUR≤12)且无近期癫痫发作征象的ICU患者中,基于8项ACNS标准化视觉EEG特征的模型可辅助预测6个月生存和良好功能预后,预测性能在HIE和TBI/神经外科患者中最佳(AUC 0.958和0.955),在代谢/炎症/感染和卒中患者中较低(AUC 0.697和0.695)。
- EEG背景反应性是全病因混合队列中最重要的EEG预后特征,但该结论不适用于按病因亚组独立分析的情况(TBI/NS亚组除外)。
- 在代谢/炎症/感染病因的患者中,EEG预后预测性能较低,且原文指出即使可逆的代谢性脑病也可出现通常与不良预后相关的EEG模式(如爆发抑制或抑制背景),临床判读时需谨慎。
- 本研究未提供基于EEG特征的临床决策阈值或干预方案,不能直接用于撤除生命支持治疗等决策;原文强调预后判断需结合临床和辅助检查,避免无效治疗并告知家属。
指南或共识出处
- 原文未引用具体指南或共识名称;EEG特征术语参照美国临床神经生理学会(ACNS)标准化重症监护术语。
全文中译13 节 · 点击展开
背景
重症监护病房中急性意识障碍(ACI)患者的结局预测对于告知家属和避免无效治疗至关重要[1, 2]。预后判断基于临床和辅助检查,包括血液检查、神经影像学和电生理学[3]。在尝试预测临床结局时,ACI的潜在病因被认为具有相关性,主要有两个原因:首先,不同病因本身与不同的死亡率相关(例如,心脏骤停后缺氧缺血性脑病(HIE)的死亡率通常高于中毒或癫痫持续状态[4])。其次,预后判断算法——以及每种模态的相对重要性——因假定病因而异[3, 5]。这对于脑电图(EEG)尤为如此。在HIE患者中,EEG已成为主要的预后工具,因为多项视觉和定量(计算机衍生)特征已被证明可预测功能结局[6–13]。特别是,连续且有反应性的EEG背景提示良好结局,而抑制性背景或伴有相同爆发的爆发抑制通常是不良结局的预测因素[7, 8]。相比之下,EEG不属于创伤性脑损伤(TBI)后当前使用的主要预后评分的一部分,后者转而依赖临床标志物、神经影像学和血液指标[14–16]。然而,数十年来已知EEG可与头部损伤的严重程度相关[17, 18]。更近期的研究表明,视觉EEG特征如背景反应性[19]、连续性[20]或N2期睡眠瞬变的存在[20]与TBI后的良好结局相关。使用定量方法,背景波幅、频率和变异性也被证明可预测临床结局[21, 22]。蛛网膜下腔出血同样如此:虽然EEG未被整合到当前的预后工具中[23],但许多特征如稳定的α节律[24]、睡眠架构或癫痫样活动的存在[25, 26]可帮助预测结局。
相同的EEG特征(背景反应性、连续性、波幅)已被用作不同病因的预后标志物,这一事实提出了一个问题:类似的 criteria/决策算法是否可应用于不同ACI病因的患者队列。少数研究已将视觉或定量EEG标准应用于不同原因昏迷/ACI的预后判断,但通常仅关注单一或少数变量[27–30]。在此,我们研究一个结合美国临床神经生理学会(ACNS)标准重症监护术语[31]中8项主要视觉特征的模型的预后价值,该模型在一个前瞻性获取的不同昏迷病因患者队列上进行训练。该模型首先应用于混合病因患者,然后应用于特定病因亚类的患者亚组。由于EEG反映大脑神经元的功能,我们假设EEG应能够有助于所有ACI患者的预后判断,无论其潜在病因如何。
方法
患者与EEG记录
我们对多中心研究CERTA(成人连续脑电图随机试验;NCT03129438)中前瞻性获取的数据进行了事后分析。该研究的详细信息已在别处发表[32, 33]。简言之,纳入标准为:年龄>18岁、因任何病因导致意识障碍(定义为GCS≤11或FOUR≤12)、入住四家瑞士医院(洛桑大学医院(CHUV)、锡永医院、伯尔尼大学医院(Inselspital)、巴塞尔大学医院)的重症监护病房或中间监护病房、且因医学原因被要求进行脑电图检查的患者。原始研究的排除标准为:随机化前36小时内有临床或脑电图癫痫发作征象、或96小时内有癫痫持续状态、处于姑息治疗状态、或已记录拒绝参与临床研究。纳入后,患者被随机分配接受30–48小时的连续脑电图监测,或在同一时间段内接受两次标准脑电图检查(20–30分钟)。CERTA研究及脑电图数据的事后分析已获当地伦理委员会批准(项目编号2017-00268)。
视频脑电图使用NicoletOne系统(Viasys Neurocare,麦迪逊,威斯康星州,美国)进行,按照国际10:20系统放置21或23个电极。在神经外科患者中,可使用11个电极的简化导联[34]。在本研究中,我们仅考虑第一次脑电图(若进行了两次标准脑电图)或第一次记录的判读结果(若为连续脑电图)。脑电图描记在住院期间由经委员会认证的脑电图医师判读,这些医师还持有美国临床神经生理学会(ACNS)标准重症监护术语的额外认证[31](AOR、RZ、VA、SR、KS、FZ)。
病因与结局
在招募时,登记了14种非互斥的急性重症脑损伤(ACI)病因。在本研究中,我们回顾性地形成了四个互斥的病因组,即(1)卒中:缺血性卒中、出血性卒中、非创伤性蛛网膜下腔出血;(2)TBI/NS:创伤性脑损伤(TBI)、硬膜下血肿或其他非血管性非创伤性神经外科疾病,如脑肿瘤切除术后的术后昏迷;(3)MIII:代谢紊乱、中毒、感染、炎症;(4)HIE:心源性或非心源性心脏骤停后的缺氧缺血性脑病。若患者同时具有上述两个类别的诊断,则考虑“最严重”的诊断(例如,HIE后出现代谢紊乱的患者将归入HIE病因组)。两例同时患有蛛网膜下腔出血和HIE的患者未归入任何诊断组(因“严重程度相当”)。上述分类在数据分析之前完成。将创伤性和非创伤性非血管性神经外科诊断归为一组的理由是,这两类均存在脑病变和可能的颅骨缺损(在脑电图中引起 breach 节律)。然而,由于创伤性脑损伤危重患者的结局预测特别受关注,我们在本研究中还考虑了一个“纯”TBI患者亚组(上述TBI/NS亚组的一个子集)。
与CERTA研究的情况一样,我们将6个月时的死亡率作为主要结局指标,该指标为前瞻性收集。我们还考虑了基于6个月内达到的最佳脑功能分类(CPC)值的次要结局指标[35],将其二分为有利结局(CPC 1或2)或不利结局(CPC 3–5)。
脑电图和临床特征
脑电图和临床特征用于预测结局(表1)。脑电图特征基于ACNS标准术语[31],包括:背景连续性、背景波幅、背景主要频率、背景反应性、背景对称性、非快速眼动2期睡眠瞬态波的存在、散发性(即非节律性或周期性)癫痫样放电的存在,以及最后节律性或周期性模式的存在。考虑了五个 demographic 和临床特征,即年龄、性别、纳入时(脑电图记录之前)的格拉斯哥昏迷量表(GCS)评分、首次脑电图期间的C反应蛋白(CRP)值以及纳入后1周内推测的昏迷病因。
分类模型
我们使用随机森林(RF)分类器[36]来预测临床结局。RF由多个决策树组成,这些决策树使用训练集先后构建。对于分类,所有树的决策被汇总以达成全局决策。我们选择RF是因为其天然能够处理所有类型的变量——连续型、有序型和名义型——而无需事先对预测变量空间进行任何约简或变换。此外,RF模型的过拟合风险相对较低,并且可以通过设置类别权重轻松应对不平衡数据集[37]。最后,已有研究表明,无需超参数调优(即使用标准参数)即可获得良好性能[38]。RF还提供了一种估计各特征相对重要性(通过评估其在组成随机森林的决策树中作为分裂变量的作用)的方法,尽管无法直接计算每个特征的预测值(如比值比)。
我们首先考虑了所有患者,无论其潜在的ACI病因如何(“通用分类器”)。对于此任务,患者被分为分层训练集(2/3的患者,N = 242)和测试集(1/3,N = 122)。每个分类器依次单独使用脑电图特征、单独使用临床特征以及最后结合脑电图和临床特征进行训练。
然后我们在每个病因亚组上独立训练RF分类器(“特异性分类器”)。由于每个亚组的受试者数量有限,我们省略了单独的测试集,转而对所有可用数据进行五折交叉验证。
对于每个分类任务,使用AdaBoost算法[39]训练500棵树,最大深度为,其中m为纳入特征的数量,学习率为0.1。由于RF与大多数分类算法一样,倾向于对多数类产生偏倚,我们使用加权方法来惩罚对少数类的错误分类[40],其中类别权重为1/相对频率。所有参数均在分析前定义,未在数据上进行优化。
我们使用受试者工作特征(ROC)曲线下面积(AUC)评估了随机森林(RF)分类器的性能。ROC曲线的95%置信区间及相应AUC值通过3000次自助重采样确定。对于通用分类器,我们还计算了准确率、灵敏度、特异度、阳性预测值和阴性预测值及其二项分布95%置信区间。AUC之间差异的统计学显著性采用Z检验评估[41]
RF分类器在MATLAB 2015b版本(MathWorks)中实现,使用统计与机器学习工具箱中的fitensemble函数。除非另有说明,参数均设为默认值。
结果
患者
共纳入364例6个月时结局已知的患者(34%为女性,平均年龄64 ± 15岁),其中187例(51%)存活,139例(38%)结局良好(关于纳入和脱落的详细信息见[32])。各病因类别患者的详细数量见表2。
通用分类器的性能
通用分类器(在所有病因患者上训练)的详细性能见表3,ROC曲线见图1。使用脑电图(EEG)特征时,预测存活的ROC曲线下面积为0.812,预测良好结局为0.790。仅使用EEG特征的预测在两个结局上均比仅使用临床特征更准确(存活p = 0.008,良好结局p = 0.031)。与仅使用EEG特征相比,两组特征联合并未改善性能(存活p = 0.984,良好结局p = 0.887)。
我们相对较大的测试集允许对通用分类器按病因进行亚组分析,其中仅使用EEG特征(表4)。创伤性脑损伤/神经外科(TBI/NS)患者亚组(包括单纯TBI亚组)或缺血缺氧性脑病(HIE)患者的预测性能优于卒中或代谢性、炎症性、感染性意识障碍病因的患者。AUC值的组间差异在预测存活方面具有统计学显著性(HIE-卒中、HIE-MIII、TBI/NS-卒中、TBI/NS-MIII的p < 0.05)。
图2展示了通用分类器中不同特征的相对重要性。EEG背景反应性是两个结局中最重要的脑电图特征。最重要的临床特征为预测存活时的格拉斯哥昏迷评分(紧随其后为年龄),以及预测良好与不良结局时的年龄。值得注意的是,当同时使用脑电图和临床特征时,反应性仍是主要的EEG特征。
特定分类器的性能
随后,仅基于脑电图特征,在具有相关病因类别的患者亚组中分别独立训练特定分类器,并采用五折交叉验证。特定分类器在同一病因患者中的性能系统性地低于一般分类器(表4)。在预测生存方面,创伤性脑损伤/神经外科(TBI/NS)和缺氧缺血性脑病(HIE)亚组的性能下降具有统计学显著性(分别为p = 0.004和p = 0.037);在预测良好结局方面,代谢、中毒、感染、炎症(MIII)亚组的性能下降具有统计学显著性(p = 0.010)。
单个脑电图特征在不同病因组中对于预测生存的相对重要性见图3,对于预测良好结局的相对重要性见图4。值得注意的是,脑电图背景反应性仅在创伤性脑损伤/神经外科患者亚组以及病因未知的患者亚组中是最重要的特征。
讨论
我们使用脑电图和临床特征,通过随机森林分类器预测急性意识障碍危重患者的结局。我们研究的主要结果是,尽管分类器是在具有不同急性意识障碍(ACI)病因的患者队列上训练的,但基于脑电图特征预测生存的曲线下面积(AUC)达到了0.812。
迄今为止,仅有少数基于脑电图(EEG)的预后研究是在不同病因的昏迷或急性脑损伤(ACI)患者中进行的。例如,EEG背景反应性已被反复证明是几乎所有患者组(缺氧缺血性脑病(HIE)、创伤性脑损伤(TBI)、中毒代谢性;综述见[19, 42])中的重要预测指标。若干预先定义的EEG模式被用于预测全局性(HIE)和局灶性(半球梗死)缺血性病变患者的结局[27]。EEG反应性与睡眠纺锤波存在的组合预测了昏迷至少3天患者的1个月觉醒[28]。至少存在单侧后部优势节律与因各种诊断收入神经重症监护病房患者的生存相关[43]。定量分析也已应用于不同病因昏迷患者:不同同步化指标的组合被证明可预测ICU出院时的生存[29];在脑损伤(包括TBI和卒中)发病后一周的6–12小时内应用的振幅整合EEG能够成功预测功能结局[30]。综上所述,这些结果和我们的结果似乎表明,无论ACI/昏迷的病因如何,类似的EEG标准均可用于结局预测。
在所有病因上训练的分类器在HIE患者亚组中表现特别好,这在预期之中,但在TBI患者(孤立性,或与其他非创伤性非血管性神经外科诊断患者合并)中也是如此。我们的结果与先前的研究一致,这些研究表明EEG在TBI的预后评估中具有潜在作用[18, 18],尽管EEG并未在该病症中常规用作预后工具[3]。相比之下,在中毒性、代谢性、炎症性或感染性起源的患者亚组中表现较低。该组包含非原发性脑部疾病患者的比例最大;这种异质性可能解释了为什么基于大脑电活动的预后工具表现不佳。同时也已知,相对中等程度的代谢性脑病即可显著改变EEG,且一些通常与不良结局相关的EEG模式(如爆发抑制或背景抑制)即使在可逆性代谢性脑病中也可出现[44]。在卒中病例中表现也较低。这可能是由于本研究选择的特征所致,因为仅考虑了两侧不对称的存在与否,而未考虑其严重程度。先前的研究已表明,不对称程度是卒中后功能结局的重要预测指标[45, 46]。
在EEG特征之外加入临床和人口学变量并未改变总体分类性能(AUC 0.812 vs. 0.806)。然而,这提高了预测生存或良好结局的特异度并降低了敏感度(表3)。可以推测,“良好”的EEG是保证良好结局的必要但非充分条件,而排除其他已知的不良结局预测因素(如较高年龄)有助于提高生存预测的特异度。
通用分类器与特定分类器
在病因相似的患者亚组上训练分类器导致性能较差。然而,需要注意的是,在本研究中,使用更同质的亚组也意味着使用更少的数据:通用分类器的训练集包含242名患者(所有患者的1/3),而对于特定分类器,每次交叉验证运行的训练集大小在38名(针对MIII)至88名(针对HIE)之间(给定病因患者的4/5)。已知较小的训练集会增加过拟合的风险并导致较差的性能[47]。过拟合可以部分解释在特定分类器中改变结局和病因时观察到的相对特征重要性的巨大变化(图3、图4),而通用模型中的独特特征组合对几乎所有亚组都更好。因此,我们的结果表明,使用更大的训练集,即使以降低组内同质性为代价,最终也能提高基于脑电图的分类器的性能。在一个计算机辅助医学不断发展但可用数据往往不足以支持现代机器学习方法的时代,这是一个重要的观察结果——这是由于数据标注的成本以及组织间的数据共享在实践中受到限制[48]。同样的原则是否适用于其他基于脑电图的临床场景(例如,检测各种类型癫痫中的癫痫样活动)仍有待证实。
脑电图反应性的重要性
当将所有患者一起考虑时,脑电图背景反应性(EEG-R)是最重要的脑电图特征,无论对于预测生存还是良好的功能结局均是如此。EEG-R已被广泛用于多种病因的预后评估[19, 42],并被认为需要功能性的脊髓-丘脑和丘脑-皮质传入通路[42];在HIE患者中,已证明其与神经元特异性烯醇化酶(神经损伤的生物标志物)[49]和MRI病灶 topography[50]相关。有趣的是,当分类器专门在病因相似的患者亚组上训练时,EEG-R不再是最重要的特征,但TBI/NS组除外(对于该组,我们可以假定一个已知的传入通路完整性标志物是一个良好的预测因子)。反应性也是在脑电图检查时诊断未知的患者亚组中最重要的特征,这可能是因为该组可能也非常异质。
反应性并非缺氧缺血性脑病(HIE)最重要的特征,这可能看起来令人意外,因为大量研究已表明它是该病症的良好预测指标。这可能是由于脑电图反应性(EEG-R)与波幅和连续性(两者均为该亚组的重要特征)相关:由于抑制性背景通常不具反应性,在描述平坦直线的分裂节点下,EEG-R不太可能被选为决策树子分支的分裂变量。我们还注意到周期性或节律性模式(主项2)的重要性。通常,刺激后出现的周期性模式或节律性尖波[51]的出现或改变不被视为背景反应性,并可能使真正背景反应性的检测复杂化。总之,由于其与其他变量的相关性以及这如何影响随机森林(RF)算法,EEG-R可能显得不如单独使用时那么重要。
EEG-R并非MIII亚组最相关的特征之一。如前所述,MIII组包含更大比例的非原发性脑源性意识障碍患者。对于这些患者,探查传入通路的完整性信息量较少,特别是考虑到反应性通常存在,因而鉴别力较低。
优势与局限性
在一项大型多中心研究过程中,脑电图(EEG)和临床数据已被前瞻性采集。脑电图特征评分由经验丰富的脑电图医师完成,并额外拥有美国临床神经生理学会(ACNS)术语认证,该术语已得到验证并具有良好的评分者间一致性[52]。然而,我们的研究存在若干局限性。首先,是否进行脑电图检查的决定由主治医师根据临床标准作出。因此存在选择偏倚,因为已经决定撤除生命支持治疗的患者,或病情迅速改善的患者未被纳入。此外,脑电图在意识障碍发生后进行的时间在所有患者之间并不一致。然而,患者选择和脑电图时机对应于“真实世界”情境,即主治医师认为脑电图具有相关性。值得注意的是,来自洛桑、伯尔尼和锡永医院的大多数缺氧缺血性脑病(HIE)患者在心搏骤停后早期(目标温度管理期间)即被记录,因为他们也被纳入了一项观察性登记研究[6]。难以估计这些选择偏倚如何影响分类器的性能。例如,有可能在更系统性采集的数据上训练的模型会带来更好的结果。根据CERTA研究的设计,既往36小时内有已知癫痫发作或既往90小时内有癫痫持续状态的患者均未被纳入,这构成了另一项选择偏倚。该偏倚是我们未将脑电图癫痫发作作为模型特征纳入的原因。然而,在已知癫痫发作的情况下,对抗癫痫药物的反应是主要的预后特征,而非其他ACNS标准。如先前发表[32],本队列中约10%的患者(常规脑电图组为4.4%,持续脑电图组为15.7%)在至少一次脑电图记录期间存在发作期或发作间期癫痫样活动;虽然这些患者未被排除在分析之外,但这些数字与近期一项对现有队列研究的荟萃分析[53]相符,因此我们认为这增强了我们发现的可推广性。此外,我们未考虑可能存在的既往残疾,这可能影响最佳脑功能分类(CPC)。
自我实现预言是所有预后研究中的潜在风险,尤其是在回顾性研究中,撤除生命支持治疗(WLST)的决定由主治医师作出且未明确记录。然而,脑电图主要在HIE患者的WLST决策中起决定性作用。大多数HIE患者在洛桑和伯尔尼招募,根据现行指南,在这些中心首次脑电图(本研究用于分析的脑电图)通常不被考虑用于WLST决策[6, 54]。在其他病因的患者中,脑电图不是临床预后的主要工具;因此,自我实现预言的风险可能有限。
最后,临床特征的选择受限于CERTA研究期间登记的数据。由于缺乏神经影像学数据,无法探讨神经影像学特征与脑电图特征的互补性。此外,我们决定仅考虑单一血液检测;若纳入更多血液标志物,或通过单变量或多变量评估筛选临床指标后,结果可能更好。值得注意的是,CRP水平已被证明在多种病因中与结局相关,尤其是在脓毒症[55]和脑出血[56]中。
结论
目前,脑电图作为意识障碍危重患者预后工具的作用因潜在病因不同而存在很大差异(在缺氧缺血性脑病(HIE)中作用重大,在创伤性脑损伤(TBI)中作用有限)。正如磁共振成像(MRI)和计算机断层扫描(CT)目前正逐步被纳入HIE的决策制定中[50, 57, 58],本研究及其他研究支持脑电图作为TBI患者以及可能其他病因患者预后工具的基本作用。仍需进一步研究以确认脑电图的价值,并提供适用于非缺氧性病因昏迷患者临床实践的评分系统。
参考来源
- Müller M, Rossetti AO, Zimmermann R, et al. Standardized visual EEG features predict outcome in patients with acute consciousness impairment of various etiologies. Crit Care. 2020. PMID: 33287874. doi:10.1186/s13054-020-03407-2
- 全文:PMC7720582(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7720582/
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。