Tidlig deliriumprediktion via serielle EEG-trajektorier og maskinlæring

Baggrund og Rationale:

Delirium er en kritisk manifestation af akut hjernedysfunktion, som rammer 10-15% af alle indlagte patienter og over 25% af dem på intensivafdelinger (ICU). På traume-ICU er patienter særligt sårbare på grund af en inflammatorisk kaskade fra gentagne operationer, blod-hjerne-barriere-forstyrrelse, traumatisk hjerneskade (TBI) og obligatorisk opioidadministration. På trods af dens kliniske betydning – herunder øget dødelighed og langvarig kognitiv svækkelse – forbliver tidlig opdagelse udfordrende. Nuværende sengebadsværktøjer som CAM-ICU er begrænsede af deres periodiske karakter og afhængighed af klinikerens ekspertise, og overser ofte de hurtige neurofysiologiske fluktuationer, der definerer delirium.

Studiets Mål og Metodologi:

Mens tidligere studier har brugt elektroencefalografi (EEG) som et "snapshot" til at identificere delirium, afspejler sådanne tværsnitsundersøgelser ofte forbigående sedativ dybde snarere end sand neurokognitiv sårbarhed. Dette studie foreslår en longitudinal tilgang, der fokuserer på forløbet af ændringer i kortikal dynamik over tid.

Vi indsamlede korte, serielle hviletilstands-EEG tre gange dagligt i mindst tre på hinanden følgende dage fra kritisk syge traumepatienter. Ved hjælp af en praktisk frontal montage kvantificerede vi et omfattende sæt af funktioner, herunder spektral effekt (langsomhed), ikke-lineær kompleksitet og fasebaseret funktionel forbindelse.

Forskningshypotese:

Rammen anvender maskinlæring (ML) til at udnytte disse longitudinale forløb med det mål at forudsige delirium-sårbarhed før formel klinisk diagnose. Yderligere formoder vi, at optagelser med åbne øjne – ved at pålægge en minimal arousal-begrænsning – vil fange vågent netværksintegritet bedre og give overlegen forudsigelseskraft sammenlignet med traditionelle optagelser med lukkede øjne, som ofte forveksles med sedation og døsighed i traume-ICU-miljøet.

Klinisk Betydning:

Ved at identificere den optimale optagelsesbetingelse og etablere en ML-baseret forudsigelsesramme søger dette studie at definere en standardiseret neurofysiologisk overvågningsstrategi. Dette vil i sidste ende lette tidlig intervention og forbedre den langsigtede neurologiske prognose for alvorlige traumeoverlevere.