Tidig prediktion av delirium via seriella EEG-trajektorier och maskininlärning

Bakgrund och motivering:

Delirium är en kritisk manifestation av akut hjärndysfunktion som drabbar 10-15% av alla inlagda patienter och över 25% av dem på intensivvårdsavdelningar (IVA). På traumaintensiven är patienter särskilt sårbara på grund av en inflammatorisk kaskad från upprepade kirurgiska ingrepp, blod-hjärnbarriärstörning, traumatisk hjärnskada (TBI) och obligatorisk opioidadministration. Trots dess kliniska betydelse – inklusive ökad dödlighet och långvarig kognitiv nedsättning – förblir tidig upptäckt utmanande. Nuvarande sängkantsverktyg som CAM-ICU begränsas av sin periodiska karaktär och beroende av klinikers expertis, och missar ofta de snabba neurofysiologiska fluktuationer som definierar delirium.

Studieobjektiv och metodik:

Medan tidigare studier har använt elektroencefalografi (EEG) som en "ögonblicksbild" för att identifiera delirium, så reflekterar sådana tvärsnittsstudier ofta övergående sedationsdjup snarare än sårbar neurokognitiv sårbarhet. Denna studie föreslår ett longitudinellt tillvägagångssätt med fokus på förändringstrajektorier i kortikal dynamik över tid.

Vi samlade in korta, seriella vilotillstånds-EEG tre gånger dagligen under minst tre på varandra följande dagar från kritiskt sjuka traumapatienter. Genom att använda en genomförbar frontal montage kvantifierade vi ett omfattande urval av egenskaper, inklusive spektral effekt (avmattning), icke-linjär komplexitet och fasbaserad funktionell konnektivitet.

Forskningshypotes:

Ramverket använder maskininlärning (ML) för att utnyttja dessa longitudinella trajektorier med syftet att förutsäga delirium-sårbarhet före formell klinisk diagnos. Dessutom antar vi att öppna-ögon-inspelningar – genom att införa en minimal arousal-begränsning – bättre kommer att fånga vakenhetsnätverkets integritet och ge överlägsen prediktiv kraft jämfört med traditionella slutna-ögon-inspelningar, som ofta förvirras av sedation och sömnighet i traumaintensivens miljö.

Klinisk påverkan:

Genom att identifiera det optimala inspelningsvillkoret och etablera ett ML-baserat prediktionsramverk strävar denna studie efter att definiera en standardiserad neurofysiologisk övervakningsstrategi. Detta kommer i slutändan att underlätta tidiga interventioner och förbättra den långsiktiga neurologiska prognosen för överlevande med svåra trauma.