使用早期定量脑电图（qEEG）特征的数据驱动机器学习预测儿童心脏骤停后的结局

Pediatric cardiac arrest outcome prediction using data-driven machine learning of early quantitative electroencephalogram (qEEG) features

作者信息Luiz E V Silva, Chao-Chen Chen, Craig A Press, Kathryn Graham, Lingyun Shi, Nicholas S Abend, Ryan W Morgan, Alexis Topjian, Fuchiang Rich Tsui, Matthew P Kirschen

PMID41072601

期刊Resuscitation

发布时间2025-11

DOI10.1016/j.resuscitation.2025.110854

来源查看原文

实验完整度

中

涵盖回顾性队列、EEG信号处理、机器学习建模和统计分析，但缺乏独立的外部验证及机制性实验（如细胞或动物模型），实验层级单一。

主要模型

儿童心脏骤停患者（年龄3个月至18岁）连续脑电图（EEG）记录

重点核对

EEG记录应在心脏骤停后24小时内开始排除年龄小于3个月或骤停前PCPC>3的患者从每个1小时时段中选取质量最高的5个5分钟EEG片段使用164个qEEG特征，并包含特征选择步骤采用嵌套交叉验证以避免患者间数据泄漏

摘要

目的：缺氧缺血性脑损伤导致儿童心脏骤停后预后不良，凸显了早期预后的必要性。本研究评估了使用一组高维定量脑电图（qEEG）特征的机器学习模型是否能比先前研究的7特征模型更好地预测不良神经学结局。我们还评估了随时间推移的性能稳定性以及临床变量的附加价值。方法：单中心回顾性队列研究，纳入年龄3个月至18岁、经历心脏骤停并在骤停后24小时内接受脑电图监测的儿童。排除骤停前儿童脑功能分类（PCPC）>3的患者。不良结局定义为出院时或骤停后30天死亡或PCPC≥4。我们提取了164个qEEG特征，并使用三种已建立的算法训练模型。使用受试者工作特征曲线下面积（AUROC）评估性能。结果：共纳入70名患者（中位年龄7.0岁，IQR 1.5-11.5）；53%发生不良结局。使用164个qEEG特征的模型优于7特征模型：LASSO [0.81 (95% CI: 0.69-0.91) vs 0.45 (0.31-0.58)]和随机森林[0.80 (0.67-0.90) vs 0.65 (0.50-0.78)]。加入临床变量并未改善性能。AUROC在6至24小时的6小时间隔内保持稳定。较高的相位锁定值、分形指数和相干性与较好的结局相关；较高的δ功率和抑制比变异性与较差的结局相关。结论：使用164个qEEG特征的数据驱动模型能准确预测儿童心脏骤停后的神经学结局，且性能随时间稳定。未来工作包括外部验证以评估泛化性。

EEG数据预处理与质量评估

确保纳入分析的EEG片段具有高质量，以减少噪声干扰。

对24小时内的EEG波形进行陷波滤波（60Hz）、带通滤波（0.1-45Hz）和降采样（256Hz至100Hz），转换为双极纵向导联。将波形分割为5分钟非重叠片段，并为每个片段分配质量评分。

qEEG特征提取

从EEG片段中提取全面的定量特征，以捕捉脑电活动的时域、频域、复杂性和连接性信息。

基于现有文献，定义了41个qEEG指标，涵盖时间、频率、复杂性和连接性域。每个指标在18个通道上估计，并使用均值、标准差、最大值和最小值进行聚合，共生成164个特征。

机器学习模型训练与评估

评估使用164个qEEG特征或7个特征子集的模型预测不良结局的性能，并比较算法之间的差异。

使用LASSO、随机森林和XGBoost三种算法，采用嵌套交叉验证（3个内折选择最佳模型，5个外折评估性能）。模型输出为患者发生不良结局的概率。

特征重要性分析

识别与不良结局最相关的qEEG特征，以理解其生理意义。

使用所有片段和所有164个特征进行多元逻辑回归分析，计算调整后的优势比。处理共线性（相关系数>0.5时保留与结局互信息最高的特征），排除p值>0.1或唯一值<5%的特征。

实验环节	名称	品牌	货号
脑电监测	Natus	Natus	--
Moberg CNS监测仪	Moberg	--

实验环节

名称

品牌

货号

脑电监测

Natus

Moberg CNS监测仪

Moberg

环节	核对要点
患者选择	纳入标准：年龄3个月至18岁，心脏骤停后24小时内开始EEG监测；排除标准：年龄小于3个月或骤停前PCPC≥4。阅读提示：Methods - Study Population
EEG数据采集	使用Natus和Moberg CNS监测仪，10-20电极蒙太奇，采样率256Hz；记录开始时间需在骤停后24小时内。阅读提示：Methods - EEG Preprocessing and Quality Determination
EEG预处理	滤波参数：60Hz陷波、0.1-45Hz带通、降采样至100Hz、转换为双极纵向导联。阅读提示：Methods - EEG Preprocessing and Quality Determination
EEG质量评估与选择	每个5分钟片段的质量评分基于5秒窗口的噪声检测；选择每小时前5个高质量片段（评分最高、标准差最低）。阅读提示：Methods - EEG Preprocessing and Quality Determination
qEEG特征提取	41个指标覆盖时域、频域、复杂性和连接性；每个指标计算均值、标准差、最大值、最小值；共164个特征。阅读提示：Methods - EEG Feature Extraction
机器学习模型训练	使用LASSO、随机森林和XGBoost；嵌套交叉验证（3内5外）；按患者划分；特征选择（仅164特征模型）；数据缩放（MaxAbsScaler，基于训练集）。阅读提示：Methods - Machine Learning Training
结果评估	主要结局为出院时或30天PCPC≥4或死亡；模型性能以AUROC和AUPRC评估。阅读提示：Methods - Outcomes, Performance Metrics and Statistics

环节

核对要点

患者选择

纳入标准：年龄3个月至18岁，心脏骤停后24小时内开始EEG监测；排除标准：年龄小于3个月或骤停前PCPC≥4。

阅读提示：Methods - Study Population

EEG数据采集

使用Natus和Moberg CNS监测仪，10-20电极蒙太奇，采样率256Hz；记录开始时间需在骤停后24小时内。

阅读提示：Methods - EEG Preprocessing and Quality Determination

EEG预处理

滤波参数：60Hz陷波、0.1-45Hz带通、降采样至100Hz、转换为双极纵向导联。

阅读提示：Methods - EEG Preprocessing and Quality Determination

EEG质量评估与选择

每个5分钟片段的质量评分基于5秒窗口的噪声检测；选择每小时前5个高质量片段（评分最高、标准差最低）。

阅读提示：Methods - EEG Preprocessing and Quality Determination

qEEG特征提取

41个指标覆盖时域、频域、复杂性和连接性；每个指标计算均值、标准差、最大值、最小值；共164个特征。

阅读提示：Methods - EEG Feature Extraction

机器学习模型训练

使用LASSO、随机森林和XGBoost；嵌套交叉验证（3内5外）；按患者划分；特征选择（仅164特征模型）；数据缩放（MaxAbsScaler，基于训练集）。

阅读提示：Methods - Machine Learning Training

结果评估

主要结局为出院时或30天PCPC≥4或死亡；模型性能以AUROC和AUPRC评估。

阅读提示：Methods - Outcomes, Performance Metrics and Statistics

大家都在搜

大家都在搜