Vroege delierpredictie via seriële EEG-trajecten en machine learning

Achtergrond en motivatie:

Delirium is een kritieke manifestatie van acute hersendisfunctie, die 10-15% van alle ziekenhuispatiënten treft en meer dan 25% van degenen op intensive care-afdelingen (IC). In de trauma-IC zijn patiënten bijzonder kwetsbaar vanwege een inflammatoire cascade door herhaalde operaties, verstoring van de bloed-hersenbarrière, traumatisch hersenletsel (TBI) en verplichte opioïdentoediening. Ondanks de klinische betekenis - waaronder verhoogde sterfte en langdurige cognitieve stoornissen - blijft vroege detectie een uitdaging. Huidige bedzijde-instrumenten zoals de CAM-ICU worden beperkt door hun periodieke aard en afhankelijkheid van klinische expertise, waarbij vaak de snelle neurofysiologische schommelingen die delirium kenmerken, worden gemist.

Studiedoelstellingen en methodologie:

Terwijl eerdere studies elektro-encefalografie (EEG) als een 'momentopname' hebben gebruikt om delirium te identificeren, weerspiegelen dergelijke cross-sectionele benaderingen vaak voorbijgaande sedatiediepte in plaats van echte neurocognitieve kwetsbaarheid. Deze studie stelt een longitudinale benadering voor, gericht op het traject van verandering in corticale dynamiek over tijd.

We verkregen korte, seriële rust-EEG's drie keer per dag gedurende ten minste drie opeenvolgende dagen van kritiek zieke traumapatiënten. Met een haalbare frontale montage hebben we een uitgebreide set kenmerken gekwantificeerd, waaronder spectraal vermogen (vertraging), niet-lineaire complexiteit en fasegebaseerde functionele connectiviteit.

Onderzoekshypothese:

Het raamwerk gebruikt machine learning (ML) om deze longitudinale trajecten te benutten, met als doel deliriumkwetsbaarheid te voorspellen vóór formele klinische diagnose. Verder stellen we de hypothese dat opnamen met open ogen - door het opleggen van een minimale arousalbeperking - de integriteit van het wakkere netwerk beter zullen vastleggen en superieure voorspellende kracht zullen bieden in vergelijking met traditionele opnamen met gesloten ogen, die vaak worden verward door sedatie en slaperigheid in de trauma-IC-omgeving.

Klinische impact:

Door de optimale opnameconditie te identificeren en een ML-gebaseerd voorspellingsraamwerk vast te stellen, tracht deze studie een gestandaardiseerde neurofysiologische monitoringstrategie te definiëren. Dit zal uiteindelijk vroege interventie vergemakkelijken en de langetermijn neurologische prognose van ernstige traumaslachtoffers verbeteren.