Predikce časné delirie pomocí sériových EEG trajektorií a strojového učení

Pozadí a odůvodnění:

Delirium je kritickým projevem akutní dysfunkce mozku, postihuje 10-15 % všech hospitalizovaných pacientů a více než 25 % pacientů na jednotkách intenzivní péče (JIP). Na traumatologické JIP jsou pacienti obzvláště zranitelní kvůli zánětlivé kaskádě z opakovaných operací, narušení hematoencefalické bariéry, traumatickému poranění mozku (TBI) a povinnému podávání opioidů. Přes svůj klinický význam – včetně zvýšené mortality a dlouhodobého kognitivního postižení – zůstává včasná detekce náročná. Současné nástroje u lůžka, jako je CAM-ICU, jsou omezeny svou periodickou povahou a závislostí na odbornosti klinika, často přehlížejí rychlé neurofyziologické fluktuace, které definují delirium.

Cíle studie a metodologie:

Zatímco předchozí studie používaly elektroencefalografii (EEG) jako „snímek“ k identifikaci deliria, takové průřezové přístupy často odrážejí přechodnou hloubku sedace spíše než skutečnou neurokognitivní zranitelnost. Tato studie navrhuje longitudinální přístup, zaměřený na trajektorii změn kortikální dynamiky v čase.

Získali jsme krátká, sériová EEG v klidovém stavu třikrát denně po dobu alespoň tří po sobě jdoucích dnů od kriticky nemocných traumatických pacientů. Použitím proveditelného frontálního montáže jsme kvantifikovali komplexní soubor vlastností, včetně spektrálního výkonu (zpomalení), nelineární komplexity a funkční konektivity založené na fázi.

Výzkumná hypotéza:

Rámec využívá strojové učení (ML) k využití těchto longitudinálních trajektorií s cílem předpovědět zranitelnost vůči deliriu před formální klinickou diagnózou. Dále hypotetizujeme, že záznamy s otevřenýma očima – díky uplatnění minimálního omezení bdělosti – lépe zachytí integritu bdělých sítí a poskytnou lepší prediktivní sílu ve srovnání s tradičními záznamy se zavřenýma očima, které jsou v prostředí traumatologické JIP často zkresleny sedací a ospalostí.

Klinický dopad:

Identifikací optimální záznamové podmínky a vytvořením prediktivního rámce založeného na ML si tato studie klade za cíl definovat standardizovanou neurofyziologickou monitorovací strategii. To nakonec usnadní včasnou intervenci a zlepší dlouhodobou neurologickou prognózu přeživších po těžkém traumatu.