Frühe Delir-Vorhersage mittels serieller EEG-Verläufe und maschinellem Lernen

Hintergrund und Begründung:

Delir ist eine kritische Manifestation akuter Hirnfunktionsstörungen, die 10-15% aller hospitalisierten Patienten und über 25% der Patienten auf Intensivstationen (ICU) betrifft. In der Trauma-ICU sind Patienten aufgrund einer Entzündungskaskade durch wiederholte Operationen, Störung der Blut-Hirn-Schranke, traumatische Hirnverletzungen (TBI) und obligatorische Opioidverabreichung besonders gefährdet. Trotz ihrer klinischen Bedeutung – einschließlich erhöhter Mortalität und langfristiger kognitiver Beeinträchtigungen – bleibt die Früherkennung herausfordernd. Aktuelle Bettside-Tools wie der CAM-ICU sind durch ihren periodischen Charakter und ihre Abhängigkeit von klinischer Expertise begrenzt und verpassen oft die schnellen neurophysiologischen Schwankungen, die das Delir definieren.

Studienziele und Methodik:

Während frühere Studien die Elektroenzephalographie (EEG) als "Momentaufnahme" zur Identifizierung von Delir verwendet haben, spiegeln solche Querschnittsansätze oft eher die vorübergehende Sedierungstiefe als die tatsächliche neurokognitive Vulnerabilität wider. Diese Studie schlägt einen longitudinalen Ansatz vor, der sich auf den Verlauf der Veränderung kortikaler Dynamiken über die Zeit konzentriert.

Wir erhielten kurze, serielle Ruhe-EEG-Aufnahmen dreimal täglich für mindestens drei aufeinanderfolgende Tage von kritisch kranken Traumapatienten. Unter Verwendung einer praktikablen frontalen Montage quantifizierten wir einen umfassenden Satz von Merkmalen, einschließlich spektraler Leistung (Verlangsamung), nichtlinearer Komplexität und phasenbasierter funktioneller Konnektivität.

Forschungshypothese:

Das Framework nutzt maschinelles Lernen (ML), um diese longitudinalen Verläufe zu nutzen, mit dem Ziel, die Delir-Vulnerabilität vor der formellen klinischen Diagnose vorherzusagen. Darüber hinaus nehmen wir an, dass Aufnahmen bei geöffneten Augen – durch die Auferlegung einer minimalen Arousal-Einschränkung – die wache Netzwerkintegrität besser erfassen und eine überlegene Vorhersagekraft im Vergleich zu traditionellen Aufnahmen bei geschlossenen Augen bieten, die in der Trauma-ICU-Umgebung oft durch Sedierung und Schläfrigkeit verzerrt sind.

Klinische Auswirkung:

Durch die Identifizierung der optimalen Aufnahmebedingung und die Etablierung eines ML-basierten Vorhersage-Frameworks strebt diese Studie an, eine standardisierte neurophysiologische Überwachungsstrategie zu definieren. Dies wird letztendlich frühzeitige Interventionen erleichtern und die langfristige neurologische Prognose schwerer Traumaüberlebender verbessern.