本篇学习报告介绍一篇2022年发表的论文《Accuracy of EEG Biomarkers in the Detection of Clinical Outcome in Disorders of Consciousness after Severe Acquired Brain Injury: Preliminary Results of a Pilot Study Using a Machine Learning Approach》，论文调查了基于临床脑电图的心理生理生物标志物在预测意识障碍（Disorder of Consciousness，DoC）患者临床结果中的准确性。

1、研究背景与内容

急性脑损伤和昏迷后，大量幸存的患者会出现严重的意识障碍，例如无反应性觉醒综合征（UWS）或最低意识状态（MCS）。UWS 患者保留了基本功能，例如睁眼和反射运动，但对外部环境仍然没有反应。相反，MCS 患者表现出极少但可靠的自我和环境意识行为证据（即视觉固定或视觉追求、语言表达等）。 UWS 和 MCS 可以是持久状态，也可以朝着不同程度的意识恢复方向发展。康复潜力的评估和 DoC 患者可能的临床结果的预测对于临床和伦理原因至关重要，它们允许确定康复需求和设计定制的康复计划。尽管标准的临床量表和创新的神经生理学方法可以帮助诊断和预测 DoC 患者的临床结果，但这些对临床医生来说仍然是复杂的挑战。事实上，即使是 UWS、MCS 和 MCS 的出现之间的区别也是基于可能难以识别的临床和行为证据。

本研究调查了基于临床脑电图的心理生理生物标志物在预测 DoC 患者临床结果中的准确性。为此，本文从 33 名具有创伤性（TBI）和非创伤性病因（NTBI）的 DoC 患者中提取了一组脑电图生物标志物，并评估了它们区分患者病因和预测受伤 6 个月后临床结果的准确性。机器学习达到了 83.3% 的准确率（sensitivity = 92.3%，specificity = 60%），基于脑电图的功能连接预测非创伤患者的临床结果。此外，脑电图活动中的功能连接和主导频率的组合最能预测创伤患者的临床结果，accuracy为 80%（sensitivity = 85.7%，specificity = 71.4%）。这些结果强调了功能连通性在预测 DoC 患者康复方面的重要性。此外，本研究表明脑电图生物标志物在评估 DoC 的可行性和准确性方面具有很高的转化价值。

本文的主要贡献如下：

（1） 本文强调了基于标准临床脑电图的脑电图生物标志物在评估 DoC 患者功能结果中的转化价值和可行性；

（2） 本文直接比较具有不同病因的 DoC 患者，以确定那些能够预测创伤性和非创伤性 DoC 患者临床结果的 EEG 生物标志物；

（3） 本文提出了一种机器学习模型，该模型基于那些具有辨别力的 EEG 生物标志物，用于对 DoC 患者的功能结果进行分类。

2、研究方法

2.1 参与的被试

本研究包括 33 名 DoC 患者（其中21 名 19-71 岁的男性）。描述性统计（表 1）显示 15 名患者患有创伤性脑损伤，而 18 名患者有非创伤性病因（即血管性和缺氧性脑损伤）。如表1所示。

表1患者数据与临床统计

2.1 功能连通性方法

在本研究中，考虑了三种功能连通性测量：(a) 加权相位滞后指数 (wPLI)，(b) 部分相干性 (PCoh)，(c) 互信息 (MI)。

（1）对于加权相位滞后指数，首先通过与复数 Morlet 小波的卷积计算时频数据。卷积是通过频域乘法执行的。为了防止“边缘”的伪影，信号以 2 s 的周期重新出现。 wPLI 评估两个时间序列之间相位差的一致性（例如，特定电极上的 EEG 信号）。 wPLI 是根据个体 EEG 主频率计算的。 wPLI 值的范围可以从 0 到 1，其中较高的值表示两个信号的相位之间的关系。为每个参与者设置了正确的阈值以检测残留的假阳性连接。

（2）部分相干性值是在 EEGLAB 上使用“pop_newcrossf”函数在整个 EEG 信号和单个 EEG 主频率上计算的（为了提高频率分辨率，pad ratio 参数设置为 8）。为每对电极提取绝对相关性并针对多重比较进行校正。 PCoh 值的范围可以从 0 到 1。值越大表示特定频率下两个信号之间的关系越强。

（3）互信息是一种功能连通性指数，用于估计两个变量或时间序列之间共享的信息水平。 MI 是通过将两个时间序列的个体熵 (H) 相加并减去联合熵来计算的。对于 MI 分析，首先根据 Freedman–Diaconis 规则将数据分为 10 个箱。每对电极的 MI 值是用 MATLAB 上的“mutualinformationx”函数提取的。较高的值表示在波形的振荡和相似性方面两个信号之间共享的信息水平较高。

2.2 分类方法

本文应用了逐步线性判别分析 (LDA) 和留一受试者交叉验证。LDA的目标是通过保留具有较高判别力的特征来在低维空间中区分两类数据。LDA 已用于先前的研究，国际临床神经生理学联合会推荐将其用于 EEG 研究和 DoC 评估。而且，本文还使用了传统的多变量逻辑回归作为 LDA 的控制。在留一对象交叉验证中，每个特征数组被用作验证数据一次，其余数据用作训练数据。然后，计算正确分类实例的百分比。虽然这个百分比反映了分类准确性，因此还计算了灵敏度和特异性。对于分类，使用临床结果（即改善与未改善的患者）作为分类分组变量和病因学（即 TBI 与非 TBI）作为一个因素。以这种方式，脑电图生物标志物的临床结果的准确性分别估计为 TBI 和非 TBI 患者。

3、结果

3.1 病因生物标志物

对脑电图数据进行了受试者间因素病因学分析。由于人口统计学结果显示 TBI 患者比非 TBI 患者年轻，因此在随后的协方差分析中使用变量年龄作为协变量。协方差分析检查了自变量对因变量的影响，同时排除了协变量“年龄”的影响。对图 1A、B 的视觉评估显示，与非 TBI 相比，TBI 患者的主频率普遍较慢，另外还显示 wPLI 表达的残余连接性更强。统计分析证实了这些印象。具体而言，EEG 结果显示非 TBI 组（M = 5.966 Hz，SE = 0.606 Hz）与 TBI 组（M = 3.997 Hz，SE = 0.621 Hz）相比，如图 1A 所示。对其他 EEG 测量的类似分析没有显示出进一步的显着结果。

图1 Etiology biomarkers

3.2 结果生物标志物

图2（A）中展示的是改善和未改善患者的部分相干性 (PCoh) 的头皮电极之间的连接矩阵，图2（B）展示的是改善和未改善患者的互信息 (MI) 的头皮电极之间的连接矩阵。两个图都显示改善患者的连接性更强。拓扑图显示了每个电极的总平均 PCoh 和 MI 连接体。

图2 结果生物标志物

3.3 线性判别分析的结果

线性判别分析对患者临床结果（TBI与NTBI患者）的敏感性和特异性曲线如图3所示。

图3 ROC曲线

对于TBI和NTBI病因，文中分别报告了区分改善和未改善患者的临床结果的最佳准确度。如表2所示。

表2 LDA结果

在 TBI 组中，全局 PCoh和主要频率测量之间的组合导致 6 个月结果的最佳辨别准确度（accuracy = 80%，balanced accuracy = 78.55%，precision = 77.7%），sensitivity（即患者被正确分类为未改善患者）为 85.7%，specificity（即患者被正确分类为改善患者）为 71.4%。单独或联合采取的其他考虑措施导致总体区分准确度 < 73.3%。在非 TBI 组中，两个功能连接性指数（MI 和 PCoh accuracy = 83.3%，balanced accuracy = 76.65%，precision = 85.7%）的组合证明了最佳区分精度，sensitivity= 92.3%，specificity= 60.0%。单独或联合采取的其他考虑措施导致总体区分准确度 < 83.3%。对相同 EEG 特征的多变量逻辑回归进一步证实了 LDA 在区分 TBI（accuracy = 80%）和非 TBI 患者（accuracy = 83.3%）的改善和未改善患者方面的准确性结果。

4、总结与讨论

这项研究最重要的结果是能够描述标准脑电图作为严重后天性脑损伤后 DoC 患者临床评估和分类工具的优势和局限性。其次，基于标准脑电图的措施，是在康复潜力和功能恢复方面预测和分类 DoC 患者的有前途的工具。尽管在 TBI 和非 TBI 患者中可以观察到自发的功能改善，但识别那些能够预测可能的改善的 EEG 生物标志物是一项有价值的工作。

撰稿：黄标

审稿：李景聪