创伤性脑损伤患者脑-心交互信息建模
本研究基于CENTER-TBI高分辨率ICU队列(21个欧洲中心,226例TBI患者,50例死亡,6个月随访),将ICP与HR同步升高事件定义为脑-心交互(brain-heart crosstalks),并构建多层网络指标(ctnp、互信息、平均边重叠ωct)。结果显示三个指标与死亡率均呈负相关(ctnp r=-0.13,P=0.04;ωct r=-0.19,P=0.002;将指标纳入按年龄分层的弹性网logistic回归模型后,16-29岁、50-65岁、65-85岁组偏差解释率均超过80%,且负相关关系持续存在。提示脑-心交互可能是TBI预后评估的新维度,但尚需前瞻性验证。
要点
- 脑-心交互定义为10分钟滑动窗内ICP与HR同时较窗内最小值升高至少20%随后双双下降的事件,每例平均57次(SD 58)。
- 存活者与死亡者三个交互指标的分布差异均显著:ctnp P=0.005、ωct P=0.006、互信息 P=0.02。
- 按年龄分层(16-29、30-49、50-65、65-85岁)建模,除30-49岁组外偏差解释率均超过80%,加入交互指标后16-29岁组从49%升至79%、65-85岁组从93%升至99%。
- 除50-64岁组外,其余各年龄组至少一个脑-心交互指标在存活者与死亡者间差异有统计学意义。
适用人群与场景
- CENTER-TBI高分辨率ICU队列中16-85岁、接受有创ICP监测的TBI患者,均未置入脑室外引流。
- 2015年初至2017年底前瞻性招募自欧洲21个中心,所有患者因TBI入住ICU并记录ICU监护仪高频数字信号。
- ICP监测依据脑创伤基金会指南,记录起始于伤后24小时内,分析覆盖整个ICP监测期间。
诊断标准与关键阈值
- 脑-心交互事件判定:10分钟滑动窗内,ICP与HR同时较窗内最小值升高至少20%,随后两者均下降,即计数一次。
- ctnp为检出的交互事件总数按监测时长归一化;ωct(平均边重叠)与互信息由ICP-HR多层网络模型计算,节点为时间点、边按水平可见性准则连接。
- 死亡率模型采用弹性网logistic回归(lasso与ridge混合,参数=0.5,通过留一交叉验证确定另一参数),按年龄分为16-29、30-49、50-65、65-85岁四组分别建模。
处置流程与药物剂量
- 原文未提及
红旗征与不能漏的情况
- 原文未提及
研究设计与关键结果
- 多中心前瞻性队列(CENTER-TBI高分辨率ICU队列),21个欧洲中心,226例TBI患者,50例死亡,结局记录于伤后6个月。
- 每例平均检出57次脑-心交互事件(标准差58),按监测时长归一化为ctnp。
- 存活者与死亡者分布比较:Kruskal-Wallis检验ctnp P=0.005、ωct P=0.006、互信息 P=0.02。
- 按年龄分四组建模,16-29、50-65、65-85岁组偏差解释率超过80%;加入交互指标后16-29岁组由49%升至79%,65-85岁组由93%升至99%。
- 以IMPACT变量为基础加入脑-心交互指标后,除50-64岁组不变外,其余各组模型偏差解释率均改善。
- 除50-64岁组外,其余各年龄组至少一个交互指标在存活者与死亡者间差异有统计学意义。
证据类型、等级与局限
- 研究类型:基于CENTER-TBI高分辨率ICU队列的多中心前瞻性观察性研究(建模分析),非随机对照试验。
- 局限:交互指标与死亡率为相关性分析而非因果推断;预测模型为弹性网logistic回归建模,需前瞻性验证;30-49岁组模型拟合不佳;脑-心交互算法基于ICP与HR同步升高的操作性定义,未在独立外部队列验证。
对床旁实践的改变
- 本文提示ICP与HR同步升高事件(脑-心交互)可作为TBI预后评估的候选补充指标,但尚未达到可直接用于床旁决策的阈值。
- 交互指标需与临床、人口学、CT及实验室变量联合建模使用,原文未提供单独用于床旁决策的界值。
- 适用于接受有创ICP监测的16-85岁TBI患者;未置入脑室外引流者。
- 常见陷阱:不能将本研究中的相关系数或模型偏差解释率当作床旁决策阈值;30-49岁组模型拟合不佳,该年龄段解释需谨慎。
指南或共识出处
- 原文未提及
全文中译9 节 · 点击展开
引言
重型创伤性脑损伤(TBI)是全球范围内各年龄段死亡和残疾的主要原因之一[1],且过去25年间死亡率似乎未见改变[2]。TBI每年影响5000万至6000万新发病例,其中250万发生于欧洲,这也是其被宣布为公共卫生政策优先事项的原因[3]。应努力投入研究及其他学科,如临床管理和预防政策。临床挑战在于患者群体极度异质且病理高度动态[4]。因此,治疗方案和预测模型难以评估。
急性期的重症监护管理重点在于降低继发性损伤的概率和影响,这些损伤随时间推移因颅内压(ICP)升高和/或脑灌注压降低等机制而发展[4]。因此,国际指南推荐对所有存活的重型TBI患者进行持续ICP监测作为标准治疗,以为ICP导向治疗提供信息[5, 6]。
除ICP外,大量神经监测技术和影像学方法可用于增进对颅内病理生理学的理解,如前所述,其高度异质且动态[4]。最终,通过这种整合方法可提出更精确的治疗靶点。在此视角下,脑与其他器官之间的相互作用已被提出作为可能解释该病理复杂性的机制之一。
特别是,近年来脑与心脏之间相互作用的研究受到了大量关注[7–9]。两个器官之间的动态相互作用被认为确保生理功能,也参与病理状态[7]。例如,在Valenza等人的工作[7]中,作者描述了阵发性交感神经过度兴奋发作,这常发生于严重轴索损伤时。在Valenza等人的工作[7]中,作者描述了严重缺氧缺血性脑损伤后复苏后综合征中的阵发性交感神经过度兴奋。如Valenza等人的工作[7]中详细描述,已注意到这些发作的频率呈现有趣模式。这些观察表明脑-心耦合在病理事件中的重要性。因此,已努力探索能够处理这一现象的分析方法,最终目标是开发描述脑-心相互作用的指标[8, 10]。
尽管如此,该领域仍有广阔的研究空间,尤其是在创伤性脑损伤(TBI)中。在Gao等人[9]的工作中,作者对脑与心脏测量指标之间的交互作用进行了有趣的分析,显示了颅内压(ICP)、平均动脉压和心率(HR)之间存在交互作用和格兰杰因果关系。在我们先前的研究中,我们推导出一种HR–ICP测量指标,将其命名为“脑–心交互对话(brain–heart crosstalks)”,定义为同时发生的ICP和HR的短暂升高[11]。在该工作中,我们提出了多项创新。据我们所知,这是首次对脑–心交互对话这一测量指标进行定义。此外,我们提出了一种新的滑动窗口方法来检测这些事件的存在。我们在儿科人群中研究了如此定义的交互对话,随后在一项包含成人队列的单中心研究中进行了研究[12],在那里我们还对我们的新型交互指标与死亡率之间的关系进行了初步分析。
在进一步的工作中,我们将耦合的HR–ICP系统建模为一个多层网络[13],可以将其想象为一个框架,其中包含同一整体建模结构的不同通道[14]。在该框架中,每个通道由一个层表示,每个节点可以在不同域之间维持不同的邻居和特征。近年来,多层网络已被卓有成效地应用于各种领域,例如政治、医学、经济、社会交互和时间序列[14]。其优势在于能够建模跨变量(即层)之间的关系,从而建模它们的交互和整合。在我们过去的工作[13]中,据我们所知,我们首次使用了多层网络方法来建模脑–心交互对话事件期间ICP与HR之间的关系。
在本工作中,我们旨在整合多项脑–心交互对话测量指标,并检验它们在死亡率预测模型背景下的作用,同时考虑临床、人口统计学和监测特征,这些特征共同反映了原发损伤的严重程度。为此,我们使用了创伤性脑损伤协作欧洲神经创伤有效性研究(CENTER-TBI)的TBI患者高分辨率重症监护病房(ICU)队列[15, 16]。我们的主要假设是,整合的脑–心交互对话测量指标与TBI患者的结局在统计学上相关。
方法
材料
本工作所使用的材料包括作为高分辨率CENTER-TBI队列一部分的226例TBI患者中收集的数据[15, 16]。该子集由未接受外部脑室引流治疗的患者组成。在分析的队列中,50例患者死亡。患者结局在伤后6个月时记录。在表1中,我们展示了用作输入特征的变量。患者于2015年初至2017年底从欧洲21个中心前瞻性招募。所有患者在研究期间因其TBI被收入ICU,并在ICU住院期间从其ICU监护仪记录高频数字信号。
所有患者均根据脑创伤基金会指南[6]接受了有创ICP监测。
ICP通过脑实质内应变计探头(Codman ICP MicroSensor;Codman & Shurtleff Inc.,雷纳姆,马萨诸塞州)或脑实质光纤压力传感器(Camino ICP Monitor,Integra Life Sciences,普兰斯伯勒,新泽西州,美国)获取。动脉血压通过连接压力换能器(Baxter Healthcare Corp. CardioVascular Group,尔湾,加利福尼亚州)的桡动脉或股动脉导管获得。
所有信号通过数字数据传输记录,或在适当情况下通过A/D转换器(DT9801;Data Translation,马尔伯勒,马萨诸塞州)数字化,采样频率为100 Hz或更高,使用ICM +软件(Cambridge Enterprise Ltd.,剑桥,英国)或Moberg CNS Monitor(Moberg Research Inc.,安布勒,宾夕法尼亚州,美国)或两者组合[17]。信号伪迹通过手动和自动方法去除。采集后处理使用ICM +(https://icmplus.neurosurg.cam.ac.uk)进行。HR通过计算傅里叶变换并寻找10秒窗口内动脉血压波形的基频来确定,每10秒更新一次。应用了10秒移动平均滤波器。对于每位患者,我们考虑了可用的整个监测时段,对应ICP监测的整个持续时间,记录在损伤后24小时内启动。
低分辨率数据,如人口学特征、入院和损伤相关变量,按照CENTER-TBI数据库2.0版检索。在表2中,我们呈现了描述本研究所用数据集的变量汇总,比较了存活者与非存活者之间的分布。
方法
脑-心交互检测与分析
在我们自己先前的工作[11]中,我们提出了一种算法,用于在给定TBI患者监测的ICP和HR两个时间序列的情况下检测脑-心交互的存在。
简言之,该算法基于滑动窗口方法。在HR和ICP中联合考虑一个10分钟的观察窗口。如果检测到HR和ICP同时升高,至少达到窗口帧最小值的20%,随后两者均下降,则计为一次脑-心交互。该措施被定义以促进HR和ICP之间交互模式的研究,并用作大脑和心脏交互的代理指标。该算法的完整细节可见于[11]。在本研究中,我们应用了上述我们自己的算法,以检测成年TBI患者的脑-心交互总数。
由于每位患者的观察长度不同(取决于各种因素,例如住院时间),检测到的脑-心交互的原始数量按分析时间序列的总长度归一化(ctnp)。图1显示了脑-心交互的一个示例,事件由蓝色矩形标记。
在我们后续的工作[13]中,进一步使用多层网络建模研究了脑-心交互事件期间ICP和HR时间序列的行为。特别地,将ICP-HR系统建模为一个多重网络,其中每一层代表一个时间序列。时间序列与图之间的转换如下:节点代表时间点,当满足“水平可见性”准则时,两个节点之间存在一条边[18]。简言之,如果两个节点能够水平地“看到”彼此,即分隔两者的所有时间上的值均低于或等于其幅值,则这两个节点相连。由于在我们的情况中每一层具有相同的节点集,我们使用了一种特殊类型的多层网络,称为多重网络,其中一层中的每个节点与其他层中对应的节点相连。
图2展示了一个多重网络模型的示例,其中一层代表ICP,另一层代表HR。
使用复杂网络方法,我们获得了两个网络度量:层间互信息(interlayer mutual information)和平均边重叠(average edge overlap)。平均边重叠量化了整个图的相干性,其值越高,图层的相干性越高。层间互信息对两个图的度分布进行建模。由于一个度量反映边,另一个度量关注节点,这两个度量相互补充,它们报告了所分析的两个时间序列联合行为的完整图景。因此,它们被选为对应于所检测到的脑-心交互事件窗口的图的代表。关于整个多重建模的完整细节可在我们之前的工作[13]中找到。
所定义的三种交互度量,即计数(count)、层间互信息和边重叠(edge overlap),被添加到死亡率模型中的预测特征集中。
死亡率模型预测
为了构建预测性死亡模型,我们应用了弹性网逻辑回归机器学习方法[19, 20],为人群被分割成的四个年龄组分别获得一个模型,如结果部分所述。所使用的机器学习方法是标准逻辑回归的轻微修改,加入了套索和岭回归以克服多重共线性问题[19, 20]。它还在优化求解问题中嵌入了自动特征选择。弹性网模型需要设置两个参数:和,分别用于调节优化函数中套索和岭的贡献。在我们的实验中=0.5,并通过留一交叉验证程序定义,其中依次使用n-1个观测值作为训练集,剩余一个作为测试集。每个模型所选的值以及每个模型的性能(以解释的零偏差百分比表示)在表3中列出,位于讨论每个年龄范围模型的特定部分顶部。每个模型均输入表1中描述的一组输入特征以及新引入的脑-心交互指标。
统计分析
脑-心交互算法以及统计分析均使用R软件[21]版本3.6.0进行。采用点二列相关检验验证脑-心交互指标与死亡率之间的相关性。使用Pearson相关系数检验输入特征之间的相关性。使用Kruskal–Wallis检验验证创伤性脑损伤存活患者与死亡患者之间脑-心交互变量分布是否存在统计学显著差异。
结果
交互与初步统计分析
每位患者平均检测到57次脑-心交互,标准差高达58。脑-心交互值按每位患者观察到的时间序列长度进行归一化,其与其他预测变量的相关性见图3。从相关矩阵左上角开始的明显“方形模式”相关性可能对应于相似的特征,例如实验室血液样本分析或CT特征。这些亚组似乎自然相关,尽管图中其余部分也出现其他相关性,即使较温和。
死亡与脑-心交互之间的关系首先通过比较存活者和非存活者的脑-心交互及相关网络指标的分布分析来检验。图4显示了整个队列(n = 226)的ctnp、ωct和的分布箱线图。
成人中死亡率与ctnp之间的点二列相关性为− 0.13,显著p值为0.04。这似乎表明在所分析队列中死亡率与脑-心交互之间存在反向关系。ωct同样如此,其点二列相关性为− 0.19(显著p值为0.002),而为− 0.09(p值略高于显著阈值,等于0.13)。
此外,从图4中的ctnp箱线图可以看出,脑-心交互指标的生存者与死亡者分布之间的视觉差异在统计学上得到了证实。用于比较这三项指标分布的Kruskal–Wallis检验对所有指标均返回了显著的p值:为0.02,ctnp为0.005,ωct为0.006。
死亡模型
本研究纳入患者的年龄分布范围为16至85岁,见图5面板a。年龄已被证明对创伤性脑损伤(TBI)的预后和结局预测有显著影响[22],这也是由于其影响合并症发生的可能性。为降低死亡率模型中所分析患者的异质性,整个数据集被分为四个年龄类别亚组。在图5面板b中,我们展示了拆分过程后各年龄范围对应的患者数量,其构成在组内同质、组间异质。换言之,划分为四个年龄组的方式使我们能够获得四个年龄同质的患者组,样本量相当,从而在统计学上可以进行比较。这样,我们仍可将年龄作为预测变量纳入四个模型中的每一个,同时在考虑不分年龄的整个人群时避免将其用作混杂因素。在表3中,我们展示了各年龄组拟合模型的结果,包括各表表头中解释的偏差比。模型中所有特征的系数均已呈现。拟合最佳的模型似乎是16–29岁、50–64岁和65–85岁年龄人群。事实上,偏差比较高,这意味着模型中包含的预测因子以非常高的可靠性解释了死亡结局。有趣的是,所有年龄人群中死亡率与ctnp之间的负相关关系得到证实,死亡率与串扰期间平均边重叠之间的负相关关系亦然。就其他人群而言,模型的最佳拟合似乎是65–85岁年龄范围。我们还进行了包含和不包含新引入的脑–心串扰指标的实验。偏差比在16–29岁(从49%到79%)和65–85岁(从93%到99%)的情况下确实有所改善。在表3中,我们仅报告了显著系数的值。如果相应单元格中有一个点,则表示该系数不显著。我们还进行了进一步实验,仅使用IMPACT(国际临床试验预后与分析任务[23])变量评分作为预测因子,随后将脑–心串扰指标加入模型,以评估IMPACT变量是否能从我们脑–心串扰变量的引入中获益。具体而言,我们使用年龄、运动评分、瞳孔、缺氧、低血压、CT变量、血糖和血红蛋白等标准IMPACT变量,采用逻辑回归方法预测死亡率,随后将脑–心串扰指标加入IMPACT评分,并评估所得模型在预测患者死亡率方面的性能。在所有情况下,模型的偏差比均有改善,但50–64岁组除外,该组保持不变。
为进一步探究脑-心交互与死亡率之间的相关性,还获得了死亡率与脑-心交互指标之间的点二列相关系数。结果总结于图6,显示了网络指标与死亡率之间的点二列相关系数,几乎所有系数均呈负号。此外,在图6中我们展示了四个年龄组中幸存者与非幸存者的三项新引入的脑-心交互指标的箱线图。在表4中我们报告了对四个年龄组脑-心交互指标进行Kruskal–Wallis检验的p值,比较了幸存者与非幸存者。
讨论
在本文中,我们研究了创伤性脑损伤(TBI)患者中死亡率与脑和心之间交互事件(称为脑-心交互)之间的关系。
脑-心交互在我们之前的工作[11]中被引入。这一新指标检测颅内压(ICP)和心率(HR)同时升高的事件。
脑-心交互指标通过复杂网络建模[13]得到了进一步扩展,从而计算了ICP-HR系统的两项指标:平均边重叠(和互信息(),它们指示了系统在脑-心交互期间的行为,详见方法部分。
从当前研究中,我们可以看到结果提示脑-心交互指标与死亡率之间存在反向关系。对于三项网络指标和死亡率,点二列相关系数始终为负。无论我们使用226名患者进行计算,还是将人群分为四个年龄组,这一结论均成立。事实上,在我们的死亡率模型中,我们将人群按年龄分组,试图减少这一临床变量带来的异质性。合并症、病变类型和预后方面的重大差异与年龄相关,尤其是在西方国家TBI人群老龄化的背景下。
死亡率与脑-心交互作用指标之间呈负相关关系的首个迹象,在全数据集中幸存者与非幸存者之间这些指标分布的Kruskal-Wallis检验中得到了进一步证实。此外,在对原始人群进行分段时,除50-64岁年龄组外,各年龄组的幸存者与非幸存者之间至少有一项脑-心交互作用指标存在统计学显著差异。然而,对于该年龄组,在逻辑回归模型中,与平均边重叠及归一化交互作用数量相关的系数具有统计学显著性且为负号。逻辑弹性网预测模型似乎对数据拟合良好,因为所解释的偏差比百分比足够高。除30-49岁年龄组外,这一结论均成立。这些与年龄相关的发现基于所研究的数据集难以解释,需要在更大规模的人群中进一步研究。
另一个需要考虑的重要方面是,所有四个年龄组的系数符号均一致为负。鉴于这些结果,我们可以确认脑-心交互作用数量越多,死亡概率越低。这一结果独立于个体所属年龄组而得到证实。
平均边重叠表现出类似的行为,而对于互信息,两个年龄组显示死亡率与该指标之间呈正相关关系。这一证据需要在未来进一步研究。
总体而言,我们的结果表明,新引入的脑-心交互作用变量可能被视为健康脑-心相互作用的生物标志物,因此对这些生物标志物的评估可能在理解创伤性脑损伤(TBI)的病理机制中发挥作用。这种疾病的复杂性确实难以仅通过测量平均颅内压(ICP)值来解释,多模态生理监测技术已被开发以增进我们的理解,并已应用于临床实践。从这个角度看,在整合方案中将脑-心交互作用与其他生理指标一并考虑可能是一种有前景的方法。
关于拟合预测模型中的其他变量,年龄仅在两个较高年龄组中具有统计学显著性,而在两个较年轻组中则不显著。这与文献所提示的发现一致,有证据表明较高年龄可能是加重TBI结局的因素,因为其伴随的合并症及其他因素[22]。此外,从拟合模型来看,正如我们在表3中对于老年人群所看到的,几乎所有变量均具有统计学显著的系数,与较年轻人群组不同。这与两个老年人群组的模型比较年轻人群组显示出更好拟合的事实相一致。可能的原因是,心脏病既存疾病较高的患病率可以解释老年人中脑-心相互作用的重要性。
作为最后一项考量,我们的分析揭示了将脑-心交互指标整合到现有TBI预后模型中的可能性。一个非常著名的预后模型是IMPACT评分[23],其中入院特征如年龄、运动评分、瞳孔、缺氧、低血压、CT变量、血糖和血红蛋白用于评估患者住院时的状况。在更复杂的预后模型开发方面已有一些工作,但据我们所知,尚无任何模型考虑过表达脑与心之间相互作用的变量[24]。因此,我们的分析为利用脑-心交互指标实施TBI预后模型开辟了可能性,并有望提高其精确度。
结论
我们发现TBI患者中脑-心交互事件数量与死亡率之间存在反向关系。我们还从ICP-HR系统的复杂网络建模中应用了两个进一步的脑-心交互指标,其与死亡率也显示出类似的反向行为。当将输入特征拟合到死亡率预测模型时,这种反向关系也得到了确认。
我们目前正在研究脑-心交互与其他生理变量(例如自主神经活动)或临床变量(患者接受的治疗、气道吸引、颅内高压或自动调节受损的存在)之间的关系。就局限性而言,我们认为分为四个年龄组是必要的,以避免因患者年龄差异较大而导致的混杂效应。然而,我们意识到这在拟合相关模型时减少了每组的观察数量,从而可能导致拟合偏倚。因此,我们计划将研究扩展到更大的患者队列,以进一步探索所提出的模型。目前我们已开始了一项初步分析,涉及脑-心交互期间HR与ICP之间存在因果关系的证据,这可能为脑-心交互在临床实践中的应用做出另一重要贡献。对于未来工作,了解不同事件(如仅ICP升高)与死亡率之间的可能关系也将是有意义的。
此外,我们希望通过使用在床旁运行的ICM+-Python插件接口[17],将交互指标的使用扩展为TBI患者的实时数字生物标志物。这将最终促进我们的新指标在该类患者个体化管理中的应用。我们正在将最初用R开发的代码用Python实现。
参考来源
- Dimitri GM, Beqiri E, Placek MM, et al. Modeling Brain-Heart Crosstalk Information in Patients with Traumatic Brain Injury. Neurocrit Care. 2021. PMID: 34642842. doi:10.1007/s12028-021-01353-7
- 全文:PMC9110542(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9110542/
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。