Aikaisen deliriumin ennustaminen sarja-EEG-trajektorioiden ja koneoppimisen avulla

Tausta ja perustelu:

Delirium on akuutin aivotoimintahäiriön kriittinen ilmenemismuoto, joka vaikuttaa 10–15 %:iin kaikista sairaalahoidossa olevista potilaista ja yli 25 %:iin teho-osastoilla (ICU) olevista potilaista. Traumateho-osastolla potilaat ovat erityisen alttiita tulehdusvasteen vuoksi toistuvista leikkauksista, veri-aivoesteen häiriöistä, traumaattisesta aivovammasta (TBI) ja pakollisesta opioidiannostuksesta. Huolimatta sen kliinisestä merkityksestä – mukaan lukien lisääntynyt kuolleisuus ja pitkäaikainen kognitiivinen heikentyminen – varhainen tunnistaminen on edelleen haastavaa. Nykyiset sänkypuolen työkalut, kuten CAM-ICU, ovat rajallisia jaksollisen luonteensa ja kliinikon asiantuntemuksen riippuvuutensa vuoksi, ja ne usein eivät havaitse deliriumille tyypillisiä nopeita neurofysiologisia vaihteluita.

Tutkimuksen tavoitteet ja metodologia:

Vaikka aiemmat tutkimukset ovat käyttäneet elektroenkefalografiaa (EEG) "hetkellisenä kuvana" deliriumin tunnistamiseen, tällaiset poikkileikkaustutkimukset usein heijastavat ohimenevää sedaatiovyvyyttä pikemminkin kuin todellista neurokognitiivista haavoittuvuutta. Tämä tutkimus ehdottaa pitkittäistutkimusmenetelmää, keskittyen kortikaalisen dynamiikan muutoksen kehitykseen ajan myötä.

Hankimme lyhyitä, sarjallisia lepotilan EEG-mittauksia kolme kertaa päivässä vähintään kolmen peräkkäisen päivän ajan kriittisesti sairailta traumapotilailta. Käyttämällä käytännöllistä frontaalista asetelmaa kvantifioimme kattavan joukon piirteitä, mukaan lukien spektriteho (hidastuminen), epälineaarinen kompleksisuus ja vaiheeseen perustuva toiminnallinen konnektiivisuus.

Tutkimushypoteesi:

Viitekehys hyödyntää koneoppimista (ML) hyödyntämään näitä pitkittäisiä kehityskulkuja, pyrkien ennustamaan deliriumin alttiutta ennen virallista kliinistä diagnoosia. Lisäksi oletamme, että silmät-auki -äänitykset – asettamalla minimiärsytysrajoituksen – tallentavat paremmin valveilla olevan verkoston eheyttä ja tarjoavat paremman ennustuskyvyn verrattuna perinteisiin silmät-kiinni -äänityksiin, joita trauma-teho-osaston ympäristössä usein hämärtävät sedaatio ja uneliaisuus.

Kliininen vaikutus:

Tunnistamalla optimaalinen tallennustila ja luomalla koneoppimiseen perustuvan ennustusviitekehyksen tämä tutkimus pyrkii määrittelemään standardoidun neurofysiologisen seurantastrategian. Tämä lopulta helpottaa varhaista puuttumista ja parantaa vakavien traumaeloonjääneiden pitkäaikaista neurologista ennustetta.