基于低密度EEG的功能连接区分了最小意识状态的加与减

科学领域:

• 神经科学是一个神经科学.
• 临床神经学 临床神经学
• 计算精神病学是一种计算精神病学.

背景情况:

• 患有最小意识状态 (MCS) 的患者表现出各种意识,其中一些患者表现出高水平的行为反应 (MCS+),而另一些患者则没有 (MCS-).
• 准确的MCS+和MCS-之间的差异诊断对于定制康复和药理疗法至关重要,因为这些群体在预后和潜在生理学上有所不同.
• 目前的诊断方法依赖于行为评估,这带来了错误诊断的重大风险,突出了客观生理标志物的需要.

研究的目的:

• 调查基于低密度脑电图 (EEG) 的图表指标是否可以区分MCS+和MCS-患者.
• 为了确定从EEG中得出的大脑网络特征是否与昏迷后患者的行为反应相关.
• 评估标准行为评估对量化响应能力的生理意义.

主要方法:

• 进行了一项前性观察性研究,涉及57名MCS患者 (30名MCS,28名男性).
• 休息状态,闭眼EEG录像 (30分钟) 在密集康复入院时获得,与意识诊断一起.
• 脑电图数据经过预处理,并使用多种连接密度和频段 (α, θ, δ) 的各种连接措施计算图表指标. 机器学习模型被用于MCS+/-结果的交叉验证分类.

主要成果:

• 与MCS+组相比,MCS-组在α (α) 波段中表现出较低的大脑活动整合.
• 在delta (δ) 波段中,MCS-组的聚类 (加权聚类系数) 比MCS+组更高.
• 一个Elastic-Net调节后勤回归模型实现了79%的最高区分精度 (灵敏度74%,特异性85%),用于区分MCS+/-患者.

结论:

• 低密度EEG是一种常规的临床工具,可以通过分析大脑网络特性来区分MCS+和MCS-患者.
• 来自EEG的图形理论特征成功地区分了这些神经生理学上不同的条件.
• 这些发现表明,基于EEG的图表指标可以作为临床诊断的宝贵补充,支持更准确的患者分层.