一个连续的卷积神经网络:非常早期的EEG最能预测后毒性昏迷中神经结果差
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
概括
一个卷积神经网络 (CNN) 有效地预测心脏骤停 (CA) 患者使用电脑电图 (EEG) 数据的神经结果. 使用更少的电极进行早期EEG监测 (CA后6-14小时),可提供相似的预测准确度.
科学领域:
- 神经科学是一个神经科学.
- 人工智能在医学中的应用
- 关键护理医学 关键护理医学
背景情况:
- 在心脏骤停 (CA) 后的神经结果的准确预测对于患者管理至关重要.
- 脑电图 (EEG) 提供了对CA后大脑功能有价值的见解.
- 卷积神经网络 (CNN) 在分析像EEG这样的复杂生物信号方面表现有前途.
研究的目的:
- 评估连续CNN模型的预测能力,使用经过CA的EEG数据.
- 为了比较9电极与4电极EEG配置的性能,以预测不良的神经结果.
主要方法:
- 一个CNN模型接受了366名后毒性昏迷患者每小时EEG时代的训练,直至CA后72小时.
- 通过在6个月内使用大脑性能类别 (CPC) 尺度评估神经结果.
- 模型的性能是基于AUC和 0%的 FPR灵敏度进行评估的,比较累积和独立的预测.
主要成果:
- 9个电极的累积CNN模型在0%的FPR时实现了82%的AUC和71%的灵敏度.
- 最佳预测发生在CA后8小时内 (AUC=0.93,灵敏度=0.81在0%的FPR).
- 在9电极和4电极配置之间没有发现显著的性能差异.
结论:
- 在后毒性昏迷患者中,CNN是预测神经系统不良结果的宝贵工具,特别是早期EEG数据 (CA后6-14小时).
- 减少4个电极的EEG设置与预测完全9个电极的设置同样有效.
- 进一步的研究可以通过结合时间EEG信号依赖来完善CNN.
