醒目

重症监护室中残留意识的多模式预测：Connect-Me研究

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。