功能性磁共振成像 (fMRI) 和脑电图 (EEG) 可能揭示意识障碍 (DoC) 患者的残留意识,这反映在有关慢性意识障碍的文献中。然而,急性意识障碍很少被研究,尽管识别残留意识是重症监护病房 (ICU) 临床决策的关键。因此,前瞻性、观察性、三级中心队列、诊断性 IIb 期研究“使用脑电图和 fMRI 进行神经重症监护队列研究中的意识”(CONNECT-ME,NCT02644265) 的目的是评估 fMRI 和脑电图在 ICU 中识别急性意识障碍的残留意识的准确性。2016 年 4 月至 2020 年 11 月期间,对 87 名患有创伤性或非创伤性脑损伤的急性意识障碍患者进行了反复临床评估、fMRI 和脑电图检查。通过视觉分析、频带分析和支持向量机 (SVM) 意识分类器评估静息态脑电图和外部刺激下的脑电图。此外,还评估了典型静息态 fMRI 网络内和网络间静息态连接。接下来,我们使用研究入组时的 EEG 和 fMRI 数据,采用两种不同的机器学习算法(随机森林和带线性核的 SVM)来区分研究入组时和转出 ICU 时(或死亡前)处于微意识状态或更好(≥ MCS)的患者与昏迷或无反应觉醒状态(≤UWS)的患者。使用曲线下面积(AUC)评估预测性能。在 87 名 DoC 患者(平均年龄 50.0 ± 18 岁,43% 为女性)中,51 名(59%)在研究入组时≤UWS,36 名(41%)≥ MCS。31 名(36%)患者在 ICU 死亡,其中 28 名患者停止了生命维持治疗。 EEG 和 fMRI 可预测入选研究和转出 ICU 时的意识水平,最大 AUC 分别为 0.79(95% CI 0.77–0.80)和 0.71(95% CI 0.77–0.80)。基于组合 EEG 和 fMRI 特征的模型可预测入选研究和转出 ICU 时的意识水平,最大 AUC 分别为 0.78(95% CI 0.71–0.86)和 0.83(95% CI 0.75–0.89),阳性预测值和灵敏度均有所提高。总体而言,两种机器学习算法(SVM 和随机森林)的表现同样出色。总之,我们建议 ICU 中的急性 DoC 预测模型应基于 fMRI 和 EEG 特征的组合,而不管使用哪种机器学习算法。
功能性MRI(fMRI)和EEG可能揭示意识障碍患者(DOC)的残留意识,这是由慢性文献的快速扩展的慢性文献所反映的。然而,尽管识别剩余意识是重症监护病房(ICU)临床决策的关键,但很少研究急性DOC。因此,前瞻性,观察性,第三级中心队列,IIB期研究“使用EEG和fMRI的神经严重护理队列研究中的意识研究”(Connect-ME,NCT02644265)的目的是评估fMRI和EEG的准确性,以评估fMRI和EEG的准确性,以识别ICU中急性文档中急性文档中的残留意识。在2016年4月至2020年11月之间,通过反复的临床评估(fMRI和EEG)检查了87例急性DOC患者,患有创伤性或非创伤性脑损伤。通过视觉分析,光谱频带分析和支持向量机(SVM)意识分类器评估静止状态的脑电图和外部刺激。此外,评估了针对规范静止状态fMRI网络的内部和区域内静止状态连接性。接下来,我们在研究入学时使用了EEG和FMRI数据,以两种不同的机器学习算法(随机森林和SVM与线性内核)区分以最低意识的状态或更高的(≥mcs)的患者与昏迷或无反应的醒目状态(≤UWS)的患者(≤UWS)在ICU中(或在ICU中)(或在ICU之前)(或在ICU之前)(或在ICU之前)在曲线下用面积(AUC)评估了预测性能。在研究入学人群中,87例DOC患者(平均年龄为50.0±18岁),女性为43%),51名(59%)为≤UWS,36(41%)为≥MC。三十一名(36%)患者在ICU中死亡,其中28例撤离生命疗法的患者。eeg和fMRI预测了研究入学和ICU出院时的意识,最大AUC为0.79(95%CI 0.77-0.80)和0.71(95%CI 0.77-0.80)。基于脑电图组合和fMRI组合的模型可预测研究入学率和ICU放电时的意识水平,最大AUC为0.78(95%CI 0.71-0.86)和0.83(95%CI 0.75-0.89),具有IM证明积极的预测值和敏感性。总体而言,机器学习算法(SVM和随机森林)的表现同样出色。总而言之,我们建议ICU中的急性DOC预测模型是基于fMRI和EEG特征的组合,无论使用的机器学习算法如何。