本篇学习报告来源：《Standardized visual EEG features predict outcome in patients with acute consciousness impairment of various etiologies》(SCI Q1，IF:14.082)。文章发表在《Critical Care》上，作者是来自瑞士伯尔尼大学医院中心神经内科的Michael Müller等人。为探究脑电图特征可否应用于不同急性意识障碍病因的患者的预后预测，作者回顾分析了364项不同病因的急性意识障碍(GCS≤11或FOUR≤12)和近期无癫痫发作迹象的危重症患者的数据，并使用8个视觉脑电图特征训练随机森林分类器，然后结合临床特征预测患者6个月时的生存率或利好结果。

1.背景

急性意识障碍(ACI，Acute consciousness impairment)患者的早期预后(预测疾病的发展情况)是一项具有挑战性但必要的任务。在对患者进行预后预测时，急性意识障碍的潜在病因被认为是相关的，主要原因有两点：1.不同的病因与不同的死亡率内在相关。如：心脏骤停后的缺氧缺血性脑病(HIE，Hypoxic–ischemic encephalopathy)所对应的死亡率通常高于中毒或癫痫持续状态。2.预后算法和每种模式的相对重要性根据假定的病因而有所不同。这对于脑电图(EEG)尤为明显。

在HIE患者中，EEG已成为其主要的预后工具，因为一些计算机衍生的视觉和定量特征已被证明可以用于预测患者预后。例如，连续的和反应性的脑电图背景(EEG background)往往表明患者有一个良好的结果，而受抑制的脑电图背景通常是不良结果的表现。相比之下，创伤性脑损伤(TBI，Traumatic brain injury)患者的预后评分并不把EEG作为常用指标，而是依赖于临床标志物、神经成像和血液指标检测。然而，几十年来，人们发现脑电图与头部损伤的严重程度是具有相关性的。最近的研究表明，视觉脑电图特征，如背景反应性、连续性或N2期睡眠瞬变的存在与创伤性脑损伤后的良好预后相关。使用定量分析法、EEG背景振幅、频率和变异性也可以用于创伤性脑损伤患者的预后预测。目前，虽然EEG没有被整合到的预后工具中，但其许多特征，如稳定的阿尔法节律、睡眠结构的存在或癫痫样活动可以帮助患者的预后预测。

为了探究EEG的视觉和定量特征可否应用于不同ACI病因的患者的预后预测，本论文研究了一个结合了来自美国临床神经生理学会(ACNS)的标准重症护理术语的8个主要视觉特征的模型的预后价值，该模型对各种昏迷病因的患者进行了训练。该模型首先应用于混合病因的患者，然后应用于具有特定病因亚类别的患者，并以患者的生存率和利好结果作为预后的指标。

2.实验数据与ACI病因分组

2.1实验数据

本论文从多中心研究的成人连续脑电图随机试验(CERTA，NCT031293438)中获取了364项不同病因的急性意识障碍(GCS≤11或FOUR≤12)和近期无癫痫发作迹象的危重症患者的脑电图数据，并进行事后分析。患者的视频脑电图由NicoletOne系统采集。实验中，女性患者占34%，平均年龄64岁±15岁，且所有患者的6个月生存结果已知，其中187例(51%)存活，139例(38%)有良好的结果(实验过程中存在少部分患者的纳入与退出)。

2.2实验中的ACI病因分组

在本研究中，作者对患者数据进行分析，回顾性形成了4个相互排斥的病因组：

(1) Stroke(卒中)：缺血性卒中、出血性中风、非创伤性蛛网膜下腔出血；

(2) TBI/NS：创伤性脑损伤(TBI)、硬膜下血肿或其他非血管非创伤性神经外科情况，如脑肿瘤切除后昏迷；

(3) MIII：代谢紊乱、中毒、感染、炎症；

(4) HIE：来自心脏或非心脏来源的心脏骤停后的缺氧-缺血性脑病；

特别说明：若患者的病因被诊断为上述4种的2种及以上，则选择最严重的一种作为病因归组，若患者身上有多种病因且其严重性相等，则不归于任何病因组。例如，在HIE后出现代谢紊乱的患者归于病因组HIE，因为HIE更严重；若患者同时伴有蛛网膜下腔出血和HIE，则不归为任何病因组，因为两种病因的严重性相等。

作者表明，将创伤性和非创伤性非血管神经外科诊断进行分组的原因是在这两类中都存在脑损伤和可能的颅骨缺损(导致脑电图中出现节律缺口)。并且，由于作者对创伤性脑损伤危重患者的预后预测特别感兴趣，在研究中也加入了“纯”创伤性TBI患者亚组(上述TBI/NS亚组的一个子集)。

研究将患者6个月时的死亡率作为主要评判结果，同时将患者6个月内达到的最佳大脑表现类别(CPC)值作为次要评判结果，并将其分为利好结果(CPC 1或2)或不良结果(CPC 3-5)。

各病因的详细患者数量见下表：

表1：患者病因及数量分布(EEG delay：入院到脑电图记录之间的小时数)

3.脑电图特征及临床特征的选取

实验采用患者的脑电图特征(EEG features)和临床特征(Clinical features)来预测其生存率(Survival)以及利好结果(Favorable outcome)。

3.1脑电图特征(8个，基于ACNS标准术语)：

(1) 脑电图背景连续性(EEG background continuity)；

(2) 脑电图背景振幅(EEG background amplitude)；

(3) 脑电图背景主导频率(EEG background frequency)；

(4) 脑电图背景反应性(EEG background reactivity)；

(5) 脑电图背景对称性(EEG background symmetry)；

(6) 非快速眼动二期睡眠瞬态(Stage II sleep transients)；

(7) 散发性癫痫样放电(Sporadic epileptiform discharges)；

(8) 节律性或周期性睡眠模式(Rhythmic or periodic patterns)；

3.2临床特征(5个)：

(1) 患者年龄(Age)；

(2) 患者性别(Gender)；

(3) 纳入实验时患者的格拉斯哥昏迷量表(GCS，Glasgow coma scale，脑电图记录前进行)；

(4) 患者第一次脑电图时的c反应蛋白值(CRP，C-reactive protein)；

(5) 患者纳入实验后1周内推测的昏迷病因(Etiology)；

表2:脑电图特征与临床特征

4.实验方法

实验使用随机森林(RF，Random forest)分类器来预测患者的预后结果。一个RF由多个使用训练集连续设计的决策树组成。对于分类，RF中所有树的决策被聚合，得到一个全局决策作为分类结果。作者选取RF作为分类器，是因为RF能够处理所有类型的变量，包括连续的和有序的变量，而不需要提前对预测器空间进行任何缩减或转换。此外，RF模型具有相对较低的溢出风险，并且它们允许通过设置类权重来更好抵消不平衡的数据集。同时，RF还能通过评估各个特征在组成随机森林的决策树中作为分割变量的角色，来估计它们的相对重要性。最后的实验结果表明，即使不进行超参数调优(即不使用标准参数)，RF分类器也可以获得良好的性能。

作者首先对所有的患者数据进行训练，先不考虑潜在的ACI病因(作者将其定义为“一般分类器”，即不区分上述提到的4个病因组)。在这项任务中，患者被分为一个分层训练集(2/3的患者，N=242)和一个测试集(1/3，N=122)。每个分类器分别使用脑电图特征、临床特征和脑电图和临床特征的组合进行顺序训练。

然后，作者在每个病因组上独立训练RF分类(作者将其定义为“特殊分类器”)。由于每个亚组中的受试者数量有限，实验省略了一个单独的测试集，并对所有可用数据进行了双重交叉验证。

对于每个分类任务，作者使用学习率为0.1的AdaBoost算法训练500棵最大深度为m/2(下取整)的树，其中m为合并特征的数量。作者使用加权方法来减少对少数类的错误分类，即类的权重为(1/相对频率)。

最后，作者评估了具有ROC曲线下面积(AUC)的RF分类器的性能，并通过3000个引导复制副本确定ROC曲线的95%可信区间和相应的AUC值。对于“一般分类器”，作者还计算了准确性、敏感性、特殊性、阳性预测值和阴性预测值及其二项式95%可信区间。

5.实验结果

5.1“一般分类器”的性能表现及实验发现

如下表所示，单独使用脑电图特征对患者进行生存率和利好结果预测，其ROC曲线下面积预测生存率为0.812，预测利好结果下面积为0.790。单独使用临床特征对于患者进行预测，其ROC曲线下面积预测生存率为0.643，预测利好结果下面积为0.641。对于两种结果，单独使用脑电图特征预测比单独使用临床特征预测更准确。若同时使用脑电图特征与临床特征对患者进行预测，其ROC曲线下面积预测生存率为0.806，预测利好结果下面积为0.777。可见，与单独使用脑电图特征相比，两组特征的组合使用并没带来更好的效果。

表3：一般分类器在预测6个月时的生存率或使用不同的特征预测患者利好结果方面的性能表现

在一般分类器中，作者发现不同的特征具有不同的重要性：脑电图背景反应性是预测患者生存率和利好结果时影响最为重要的脑电图特征；格拉斯哥昏迷评分(GCS)是预测患者生存率时最重要的临床特征(其次是年龄)；年龄是预测患者利好结果时重要的临床特征。值得注意的是，当同时使用脑电图和临床特征时，脑电图背景反应性仍然是对结果影响最重要的脑电图特征。

5.2“特殊分类器”的性能表现

对于特殊分类器，实验仅根据脑电图特征对患者进行预测并使用四倍交叉验证，对具有相关病因类别的患者亚组进行独立训练。如下表结果所示，对于来自同一病因的患者，无论是预测患者生存率还是利好结果，特殊分类器的性能表现都低于一般分类器。

表4：一般分类器和特殊分类器使用脑电图特征预测不同病因亚组的结果的表现

不同病因组中不同脑电图特征对预测生存率的重要性存在差异，如图1所示。而图2则显示了不同脑电图特征对预测患者利好结果的相对重要性。值得注意的是，脑电图背景反应性仅在TBI/神经外科患者亚组以及病因不明的亚组患者亚组中是最重要的特征。

图1：特殊分类器中的脑电图特征对预测患者生存率的相对重要性

图2：特殊分类器中的脑电图特征对预测患者利好结果的相对重要性

6.实验总结

本实验使用脑电图特征和临床特征，通过随机森林分类法来预测伴有急性意识障碍的危重症患者的预后。实验对364名具有不同ACI病因的患者进行了分类器训练，且得出基于脑电图特征预测患者生存率的AUC为0.812等实验结果。

目前为止，只有少数基于脑电图特征的预后研究是针对不同病因的昏迷或ACI患者进行的。例如，脑电图背景反应性已被证明在几乎所有患者组中是一个重要的预后预测因素。此外，几种脑电图模式也被用于预测全局性HIE和局灶性半球梗死缺血性病变患者的预后。如：脑电图背景反应性和睡眠纺锤体的存在可以预测昏迷至少3天的患者1个月后的觉醒情况；定量分析也被应用于各种病因的昏迷患者的诊断，结合其它措施可以预测患者离开ICU时的生存率；脑损伤(包括创伤性脑损伤和中风)后6-12h应用振幅综合脑电图可成功预测患者的功能结果。综合上述研究结果与本实验结果，作者认为无论患者的ACI或昏迷的病因如何，患者的脑电图特征及其模式都是可以用于患者的预后预测的。

同时，作者提到，在对所有病因的患者数据训练中，分类器对HIE患者亚组的预测表现特别好，这是在预期之内的，因为EEG是HIE患者预后预测的重要常规工具。但分类器对TBI患者的预测效果也同样很好，这表明EEG在TBI 患者的预后中是具有潜在作用的，尽管此前脑电图并不是TBI患者预后预测的常规工具。当综合考虑所有患者时，脑电图背景反应性是最重要的脑电图特征，无论是预测患者的生存率还是利好结果。

总而言之，本项研究结果支持脑电图EEG可以作为创伤性脑损伤患者和其他病因ACI患者的一种预后预测工具的观点。文末作者提到，接下来仍需要通过进一步的研究来确定脑电图的价值，并提供适用于无缺氧病因昏迷患者的实践评分系统。

 

撰稿人：杨钲烺

指导老师：潘家辉