連続畳み込みニューラルネットワーク：低酸素性昏睡における予後不良を最も予測する早期EEG
Inayah Hodžić1, Brian Doelkahar1, Janneke Horn2
1Amsterdam UMC, University of Amsterdam, Department of Neurology/Clinical Neurophysiology, Amsterdam Neuroscience, Amsterdam, The Netherlands.
Resuscitation
|December 26, 2025
まとめ
畳み込みニューラルネットワーク（CNN）は、脳波（EEG）データを用いて心停止（CA）患者の神経学的転帰を効果的に予測する。少数電極を用いた早期EEGモニタリング（CA後6〜14時間）は、同等の予測精度を提供する。
科学分野:
- 神経科学; 医療における人工知能; 重症集中治療医学
背景:
- 心停止（CA）後の神経学的転帰の正確な予後予測は、患者管理にとって非常に重要です。; 脳波（EEG）は、CA後の脳機能に関する貴重な洞察を提供します。; 畳み込みニューラルネットワーク（CNN）は、EEGのような複雑な生物学的信号の分析において有望です。
研究 の 目的:
- CA後の時間経過に伴うEEGデータを用いた連続CNNモデルの予測能力を評価すること。; 低い神経学的転帰を予測するための9電極対4電極EEG構成のパフォーマンスを比較すること。
主な方法:
- CNNモデルは、CA後最大72時間までの366人の低酸素性昏睡患者からの時間ごとのEEGエポックでトレーニングされました。; 神経学的転帰は、6か月以内の脳機能カテゴリー（CPC）スケールを用いて評価されました。; モデルのパフォーマンスは、累積予測と独立予測を比較して、AUCと0% FPRでの感度に基づいて評価されました。
主要な成果:
- 9電極累積CNNモデルは、82%のAUC、0% FPRで71%の感度を達成しました。; 最適な予測はCA後8時間以内（AUC=0.93、0% FPRで感度=0.81）に発生しました。; 9電極構成と4電極構成の間で有意なパフォーマンスの違いは見られませんでした。
結論:
- CNNは、特に早期EEGデータ（CA後6〜14時間）を用いた低酸素性昏睡患者における低い神経学的転帰の予測に価値のあるツールです。; 削減された4電極EEGセットアップは、予後予測において完全な9電極セットアップと同等に効果的です。; さらなる研究により、時間的EEG信号の依存関係を組み込むことでCNNを洗練させることができます。
