通过连续脑电图轨迹和机器学习进行早期谵妄预测

背景与理论基础：

谵妄是急性脑功能障碍的重要表现，影响所有住院患者的10-15%以及重症监护病房（ICU）中超过25%的患者。在创伤ICU中，由于重复手术引发的炎症级联反应、血脑屏障破坏、创伤性脑损伤（TBI）以及强制性阿片类药物使用，患者尤其易受影响。尽管其临床意义重大——包括死亡率增加和长期认知障碍——早期检测仍然具有挑战性。当前床边工具如CAM-ICU受限于其周期性特性和对临床医生专业知识的依赖，常常错过定义谵妄的快速神经生理波动。

研究目标与方法：

虽然先前研究已使用脑电图（EEG）作为“快照”来识别谵妄，但此类横断面方法通常反映的是短暂的镇静深度，而非真正的神经认知脆弱性。本研究提出一种纵向方法，重点关注皮质动态随时间变化的轨迹。

我们从危重创伤患者中获取了简短、连续的静息态脑电图，每日三次，至少连续三天。使用可行的额叶导联，我们量化了一系列综合特征，包括频谱功率（减慢）、非线性复杂性和基于相位的功能连接性。

研究假设：

该框架利用机器学习（ML）来利用这些纵向轨迹，旨在在正式临床诊断之前预测谵妄脆弱性。此外，我们假设睁眼记录——通过施加最小唤醒约束——将更好地捕捉清醒网络完整性，并提供比传统闭眼记录更优的预测能力，后者在创伤ICU环境中常受镇静和嗜睡干扰。

临床影响：

通过确定最佳记录条件并建立基于机器学习的预测框架，本研究旨在定义标准化的神经生理监测策略。这将最终促进早期干预，并改善严重创伤幸存者的长期神经预后。