Tidlig prediksjon av delirium via serielle EEG-trajektorier og maskinlæring

Bakgrunn og rasjonalitet:

Delir er en kritisk manifestasjon av akutt hjernedysfunksjon, som rammer 10–15 % av alle innlagte pasienter og over 25 % av dem på intensivavdelinger (ICU). På traume-intensivavdelingen er pasienter spesielt sårbare på grunn av en inflammatorisk kaskade fra gjentatte operasjoner, blod-hjerne-barriere-forstyrrelse, traumatisk hjerneskade (TBI) og obligatorisk opioidadministrasjon. Til tross for dens kliniske betydning – inkludert økt dødelighet og langvarig kognitiv svekkelse – forblir tidlig oppdagelse utfordrende. Nåværende sengekantverktøy som CAM-ICU er begrenset av sin periodiske natur og avhengighet av klinikerens ekspertise, og overser ofte de raske nevrofysiologiske svingningene som definerer delir.

Studiens mål og metode:

Mens tidligere studier har brukt elektroencefalografi (EEG) som et «øyeblikksbilde» for å identifisere delir, reflekterer slike tverrsnittstilnærminger ofte forbigående sedasjonsdybde snarere enn ekte nevrokognitiv sårbarhet. Denne studien foreslår en longitudinell tilnærming, med fokus på forløpet av endring i kortikal dynamikk over tid.

Vi innhentet korte, serielle hviletilstands-EEG tre ganger daglig i minst tre påfølgende dager fra kritisk syke traumepasienter. Ved å bruke en gjennomførbar frontal montasje, kvantifiserte vi et omfattende sett med egenskaper, inkludert spektral effekt (nedbremsing), ikke-lineær kompleksitet og fasebasert funksjonell konnektivitet.

Forskningshypotese:

Rammeverket utnytter maskinlæring (ML) for å utnytte disse longitudinelle banene, med mål om å forutsi delir-sårbarhet før formell klinisk diagnose. Videre antar vi at øyne-åpne opptak – ved å pålegge en minimal oppvåkningsbegrensning – vil fange opp våken nettverksintegritet bedre og gi overlegen prediktiv kraft sammenlignet med tradisjonelle øyne-lukket-opptak, som ofte forveksles med sedasjon og døsighet i traume-intensivmiljøet.

Klinisk betydning:

Ved å identifisere den optimale opptakstilstanden og etablere et ML-basert prediksjonsrammeverk, søker denne studien å definere en standardisert nevrofysiologisk overvåkingsstrategi. Dette vil til slutt legge til rette for tidlig intervensjon og forbedre den langsiktige nevrologiske prognosen til alvorlige traumeoverlevende.