Wczesne przewidywanie delirium za pomocą seryjnych trajektorii EEG i uczenia maszynowego

Tło i uzasadnienie:

Majaczenie jest krytyczną manifestacją ostrej dysfunkcji mózgu, dotykającą 10-15% wszystkich hospitalizowanych pacjentów i ponad 25% osób na oddziałach intensywnej terapii (OIOM). Na OIOM dla urazów pacjenci są szczególnie narażeni z powodu kaskady zapalnej wywołanej powtarzalnymi operacjami, uszkodzeniem bariery krew-mózg, urazowym uszkodzeniem mózgu (TBI) oraz obowiązkowym podawaniem opioidów. Pomimo swojej klinicznej istotności – w tym zwiększonej śmiertelności i długotrwałego upośledzenia funkcji poznawczych – wczesne wykrywanie pozostaje wyzwaniem. Obecne narzędzia przyłóżkowe, takie jak CAM-ICU, są ograniczone przez swoją okresową naturę i zależność od wiedzy klinicysty, często pomijając szybkie fluktuacje neurofizjologiczne, które definiują majaczenie.

Cele badania i metodologia:

Chociaż wcześniejsze badania wykorzystywały elektroencefalografię (EEG) jako „migawkę” do identyfikacji majaczenia, takie podejścia przekrojowe często odzwierciedlają przejściową głębokość sedacji, a nie prawdziwą neuropoznawczą podatność. Niniejsze badanie proponuje podejście długoterminowe, skupiające się na trajektorii zmian dynamiki korowej w czasie.

Pobieraliśmy krótkie, seryjne EEG w stanie spoczynku trzy razy dziennie przez co najmniej trzy kolejne dni od krytycznie chorych pacjentów po urazach. Korzystając z wykonalnego montażu czołowego, skwantyfikowaliśmy kompleksowy zestaw cech, w tym moc widmową (spowolnienie), złożoność nieliniową i łączność funkcjonalną opartą na fazie.

Hipoteza badawcza:

Ramy wykorzystują uczenie maszynowe (ML), aby wykorzystać te długoterminowe trajektorie, mając na celu przewidywanie podatności na majaczenie przed formalną diagnozą kliniczną. Ponadto hipotezujemy, że rejestracje z otwartymi oczami – poprzez narzucenie minimalnego ograniczenia pobudzenia – lepiej uchwycą integralność sieci czuwania i zapewnią lepszą moc predykcyjną w porównaniu z tradycyjnymi rejestracjami z zamkniętymi oczami, które są często zakłócane przez sedację i senność w środowisku OIOM dla urazów.

Wpływ kliniczny:

Identyfikując optymalny warunek rejestracji i ustanawiając ramy predykcyjne oparte na ML, to badanie ma na celu zdefiniowanie znormalizowanej strategii monitorowania neurofizjologicznego. To ostatecznie ułatwi wczesną interwencję i poprawi długoterminowe rokowanie neurologiczne u ciężko poszkodowanych w wyniku urazów.