Prédiction Précoce du Délirium via les Trajectoires EEG Sérielles et l'Apprentissage Automatique

Contexte et Justification :

Le délirium est une manifestation critique de la dysfonction cérébrale aiguë, touchant 10 à 15 % de tous les patients hospitalisés et plus de 25 % de ceux en unités de soins intensifs (USI). Dans l'USI de traumatologie, les patients sont particulièrement vulnérables en raison d'une cascade inflammatoire due aux chirurgies répétées, à la perturbation de la barrière hémato-encéphalique, aux traumatismes crâniens (TCC) et à l'administration obligatoire d'opioïdes. Malgré sa signification clinique, notamment une mortalité accrue et des déficits cognitifs à long terme, la détection précoce reste difficile. Les outils actuels au chevet du patient comme le CAM-ICU sont limités par leur nature périodique et leur dépendance à l'expertise clinique, manquant souvent les fluctuations neurophysiologiques rapides qui caractérisent le délirium.

Objectifs et Méthodologie de l'Étude :

Alors que des études antérieures ont utilisé l'électroencéphalographie (EEG) comme un "instantané" pour identifier le délirium, de telles approches transversales reflètent souvent la profondeur sédative transitoire plutôt que la véritable vulnérabilité neurocognitive. Cette étude propose une approche longitudinale, se concentrant sur la trajectoire du changement de la dynamique corticale au fil du temps.

Nous avons acquis des EEG au repos, brefs et en série, trois fois par jour pendant au moins trois jours consécutifs chez des patients de traumatologie gravement malades. En utilisant un montage frontal réalisable, nous avons quantifié un ensemble complet de caractéristiques, incluant la puissance spectrale (ralentissement), la complexité non linéaire et la connectivité fonctionnelle basée sur la phase.

Hypothèse de Recherche :

Le cadre utilise l'apprentissage automatique (ML) pour exploiter ces trajectoires longitudinales, visant à prédire la vulnérabilité au délirium avant le diagnostic clinique formel. De plus, nous émettons l'hypothèse que les enregistrements yeux ouverts, en imposant une contrainte d'éveil minimale, captureront mieux l'intégrité du réseau en état de veille et offriront une puissance prédictive supérieure par rapport aux enregistrements traditionnels yeux fermés, souvent biaisés par la sédation et la somnolence dans l'environnement de l'USI de traumatologie.

Impact Clinique :

En identifiant la condition d'enregistrement optimale et en établissant un cadre de prédiction basé sur le ML, cette étude vise à définir une stratégie standardisée de surveillance neurophysiologique. Cela facilitera finalement l'intervention précoce et améliorera le pronostic neurologique à long terme des survivants de traumatismes graves.