预测心脏骤停后从昏迷中苏醒

机器学习领域的最新进展为大脑信号建模提供了强大的工具。卷积神经网络(CNN)被认为是提取脑电信号复杂特征的有效方法。本研究探讨了CNN是否能够提取与患者从昏迷中醒来的机会和3个月时的生存相关的对听觉刺激的脑电图反应模式。我们记录了145例心脏停搏后昏迷患者的数据。在患者昏迷的第一天,我们收集了床旁EEG数据,利用CNN对听觉刺激的单次试验EEG反应进行了建模。这些反应在从昏迷中醒来和未醒来的患者之间以及在昏迷中醒来和未存活的患者之间进行了比较。采用脑功能分类(CPC)评估生存者的结局。根据患者的恢复水平对其进行CPC评分,1分表示完全恢复,2分表示中度的意识恢复,3分表示重度的意识恢复,4分表示昏迷或持续性植物状态,5分表示死亡。在分析的134例患者中,59%存活,41%预后不良(CPC:4～5)。使用CNN对觉醒的阳性预测能力为0.83,对结局的预测能力为0.69。结论:对心脏停搏后昏迷患者开展的这项研究发现,利用深度学习评估的对听觉刺激的EEG 反应可帮助预测患者从昏迷中醒来的几率。