脑电图断层尺寸预测了极少意识的患者的高水平行为反应
Piergiuseppe Liuzzi1,2, Bahia Hakiki1, Francesca Draghi1
1IRCCS Fondazione Don Carlo Gnocchi ONLUS, Via di Scandicci 269, Firenze, FI, Italy.
Journal of neural engineering
|July 26, 2023
概括
大脑复杂性,通过多分形奇点光谱宽度来衡量,可以区分最小意识状态加 (MCS+) 与最小意识状态减 (MCS-) 的患者. 这种基于EEG的方法有助于诊断意识水平并改善患者康复.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 医学诊断 医学诊断 医学诊断
背景情况:
- 患有脑损伤的患者可能表现出意识障碍,例如最小意识状态 (MCS).
- 最少意识状态可以分为MCS+ (具有高水平的行为反应) 和MCS- (没有),具有不同的预后和康复轨迹.
- 区分MCS+和MCS-对于定制患者护理和预测结果至关重要.
研究的目的:
- 为了研究大脑复杂性作为一个神经相关的意识在最小意识状态的患者.
- 开发和验证可解释的机器学习模型,用于使用EEG数据对MCS+与MCS-的差异诊断.
- 探索大脑复杂性之间的关系,特别是多分形奇点光谱宽度,以及大脑受伤患者的高水平认知功能.
主要方法:
- 一项前性观察性研究包括68名被诊断患有最小意识状态的患者 (30MCS-, 38MCS+).
- 休息状态,闭眼EEG录像 (30分钟) 被从密集康复入院的患者获得.
- 多分片奇点光谱 (MSS) 宽度为EEG时间序列计算,可解释的机器学习模型 (K-最近邻居) 被训练为MCS±分类.
主要成果:
- 与MCS患者相比,在MCS+患者的正面和左侧中部区域观察到显著更高的MSS宽度.
- K-最近邻近模型实现了总体测试准确率75.5% (中位数AuROC为0.88),有效地区分了MCS+和MCS-.
- 电极Fz和Cz,主要在前端-中央网络内,被确定为分类中最重要的特征,表明局部的大脑活动模式.
结论:
- 由基于EEG的MSS宽度量化的大脑复杂性,作为可靠的神经相关物,用于区分MCS+和MCS-.
- 利用EEG复杂性的可解释机器学习算法可以增强意识障碍的差异诊断.
- 改善诊断准确度可以导致最佳的康复策略和更好的沟通,患者有意识障碍.
