Brain重磅！超豪华国际医学研究团队带来昏迷病人意识程度评估自动软件还能预后

先来看看有哪些医疗研究团队？

英国肯特大学计算机学院 

英国剑桥大学临床神经科学系 

比利时利耶格大学和利耶格大学医院，GIGA意识昏迷科学小组 

Spaulding Labuschagne神经调节中心，哈佛医学院物理医学与康复科Spaulding康复医院 

波士顿斯波尔丁康复医院和哈佛医学院物理医学与康复科 

美国马萨诸塞州麻省总医院昏迷和意识神经影像实验室 

美国加利福尼亚大学洛杉矶分校神经外科 

美国加利福尼亚州波莫纳的Casa Colina医院研究所和医疗中心 

英国剑桥大学麻醉科 

功能性神经影像学的进展表明，在无反应性觉醒综合征和最小意识状态中用于诊断和预后的新潜力。然而，这些技术需要一定的费用和困难，限制了在患者身上更广泛临床应用的可能性。在这里，我们研究了从104位处于静息状态下的患者那里测量的高密度脑电图可以提供有关与行为和功能性神经影像相关的大脑连通性的有价值的信息。使用图论，我们将EEG估计的频谱连通性可视化和量化为密集的大脑网络。我们的研究结果表明，这些网络的关键量化指标与患者行为恢复的连续性相关，从被诊断为无反应的患者，到从最小意识状态出现再到意识闭锁综合征的患者。特别是，一个网络指标索引了密集互连的连接中心的存在，该行为可区分行为意识，与PET的专家评估所达到的准确性相媲美。我们还发现，该指标与大脑代谢密切相关。此外，通过分类分析，我们预测了单个患者的行为诊断、脑代谢和1年临床结果。最后，我们证明，在临床共识诊断为无反应，但后来用昏迷恢复修订量表重新诊断为最小意识的患者中，脑网络评估显示出强大的连通性。对他们的脑网络进行分类分析，这些被误诊的患者都确为最小意识，证实了他们的行为诊断。如果在临床环境中部署在床边，这种网络测量可以定补充系统的行为评估，并有助于降低这些患者中报告的高误诊率。这些指标还可以识别需要使用神经影像学或常规临床评估进行进一步评估的患者。最后，通过提供意识状态的客观特征，网络指标的重复评估可以帮助纵向跟踪单个患者，并评估他们对治疗和药物干预的神经反应。

介绍

      近年来，研究取得了快速进展，为神经技术在评估脑损伤后意识方面建立了证据基础，脑损伤后意识可导致长期意识障碍，包括无反应性觉醒综合征(UWS)、最小意识状态-(MCS-)和最小意识状态+(MCS+)。在床边观察到的临床行为学反应已被证明对意识障碍患者意识状态的高误诊率。这种误诊可能是由于无法与患者沟通，患者可能没有或不一致的意识行为迹象。为了帮助解决意识障碍的诊断和预后挑战，已经提出了一系列神经成像技术，利用复杂的分析技术评估正在进行的大脑活动。这些包括MRI，PET和高密度脑电图（HD-EEG）。

      尤其是在这种情况下脑电图是一个有吸引力的选择，因为它是便携式的，具有成本效益且可以在病人床边检测，相对可行。最近的研究表明，无论是专家的定性评估和使用机器学习的定量评估都可以有效地基于从头皮无创测量的持续性脑电活动来识别意识状态。进一步的工作还表明，脑电图数据的定量分析方法可以实现自动化，从而能够使用经过验证的分析方法来评估床边患者的意识状态。在此背景下，我们先前已经证明，使用为脑连接学研究开发的网络分析工具对高密度脑电图进行定量分析，可以识别意识障碍患者重组脑网络的特定频谱特征。

      为了在这项工作的基础上继续前进，并为开发这种基于神经技术的评估方法在意识障碍中开发可靠的临床有用应用提供依据，关键挑战尚待解决。一个特定的问题是涉及不同的神经影像学评估在多大程度上是一致的。这一点尤其重要，因为假阳性和假阴性在每个病例中都有严重的临床和伦理影响。然而，在缺乏金标准来识别没有表现出可靠意识行为证据的患者的真实主观意识状态的情况下，基于多个独立评估之间一致性的方法可能是一种合理的前进方式。

      另一个与理解脑电图床边评估的现实效用相关的问题是，它可以在多大程度上补充临床解释和管理，为临床医生提供额外的、知情的信息，有助于医生的决策。虽然以前的研究表明，基于脑电图的意识评估具有诊断价值，但由专家使用昏迷恢复修订量表进行的系统行为评估被用作评估基于脑电图的诊断有效性的基本依据。然而，定量脑电图评估，如果最终部署在床边，实际上可以用来补充非专业中心的常规临床检查，这些中心通常通过标准临床检查评估患者。

      另一个值得考虑的问题是脑电图评估是否对预测患者的长期康复有预后价值。PET已经显示了这一点，而EEG先前的研究暗示了这一点。如果得到验证，它将证明可重复脑电图评估的价值，不仅在跟踪行为证据意识恢复方面，而且还可以在床边观察到的情况下，检测支持这种恢复的潜在神经功能的进行性改善。

      在这里，我们直接解决这些挑战，旨在阐述高密度脑电图在评估意识障碍中的临床应用。结合大量患者的临床、行为、PET和EEG数据，我们检验了多个假设。其中包括基于EEG的意识障碍诊断和预后评估，EEG和PET之间的一致性(此处用作神经成像参考方法)，以及EEG在床边系统行为评估中的补充作用。此外，我们训练和验证分类算法，这些算法使用脑电图衍生的指标作为输入，以高精度预测单个患者的行为诊断、脑代谢和临床结果。

材料和方法
我们评估了转诊至比利时列日大学医院病人的意识水平、预后和治疗方案。患者由欧洲各地的临床中心转诊。纳入了2008年1月至2015年10月间转诊的患者数据，这些患者要么被诊断为意识障碍，要么已经恢复。

神经行为和PET评估
患者在PET和EEG评估的当天使用CRS-R进行评估。患者的诊断是基于一天中五到七次CRS-R评估获得的分数。EEG和PET评估12个月后，进行GOS-E评估，评分阈值2用于将患者归类为无意识即结果阴性(GOS-E评分≤2)，或有意识即结果阳性(GOS-E得分>2)。

脑电图数据采集

我们使用Electric Geodesics设计的256导盐水网状电极采集了高密度脑电数据(EGI)，采样率为250 Hz或500 Hz。重要的是，EEG数据是在fluorodeoxyglucose(FDG)摄取期间收集的，持续20-30分钟，直到即将开始PET数据获取为止，以便对两种模式进行准确比较。在数据收集过程中，我们确保患者是醒着且眼睛是睁开的。

在对89例CRS-R意识障碍患者进行行为评估后，UWS被诊断为23例，MCS被诊断为17例，MCS +被诊断为49例。

脑电图数据分析
我们使用FieldTrip工具箱从干净的高密度EEG数据集（补充图1）中计算了频谱分解和互谱分解. 功率估计在0.1赫兹到0.5到45赫兹之间，使用multitaper方法。在每个通道上，三个标准频带δ(0–4Hz)、θ(4–8Hz)和α(8–13Hz)内的幅度功率被转换为所有三个频带上总功率的相对百分比。此外，每对通道的频谱分解之间的互谱被用来计算由Vinck等人引入的dwPLI量度。我们使用这种经过测试的方法来估计数据集中脑电通道对之间的大脑连通性。此外，我们将分析限制在δ、α和θ带，因为在这些频带中中观察到的大量肌电信号伪影的影响相对可以忽略不计。在每个频带内，所有通道上振荡信号峰值频率处的dwPLI值用于表示通道对之间的连通性。从每个受试者的数据集，所有通道对的dwPLI值被用于为δ、α和θ带构建对称的173×173 dwPLI连接矩阵。

脑网络分析
脑电图数据分析是用基于EEGLAB的MATLAB脚本实现的。除了识别噪音过大的通道、时期和独立成分之外，所有步骤都是完全自动化的，并且对每个脑电图数据集以完全相同的方式运行，使用一组固定的算法参数。

结果

EEG指标和行为意识
       我们量化了每个受试者在δ、θ和α波段的静息大脑活动的关键特性，并组织为不断增加的分析深度，即:所有通道的平均光谱功率、所有通道对的中值光谱连通性(dwPLI)以及图论指标，包括局部和全脑效率、模块化、模块间中枢强度和地形模块跨度。

       图1A绘制了每组意识障碍患者的基于静息dwPLI的α带连接地形图，通过CRS-R量化的行为反应性水平的增加进行排序，并与从MCS、闭锁综合征和健康对照组中出现的进行比较。脑电图连接强度的逐渐增强与行为意识的重新出现相匹配，UWS患者表现出明显缺乏结构化连接。视觉上，MCS-和MCS+患者显示出相似的连接水平，但MCS+患者的地形图显示出最强连接的可辨别的额顶叶焦点的存在。这种模式在MCS患者中进一步增强，在闭锁综合征患者和对照组中非常明显。先前我们已经证明，这种α连接的额顶叶模式是行为证明意识的神经标记，不仅在意识障碍患者中，但也在丙泊酚镇静期间。图1A中的连通性模式在另一个更大的、更多样的意识障碍患者队列中证实了这一发现。然而，对基于dwPLI的网络的分析是基于头皮脑电图数据，因此提到的区域指的是头皮上的区域，而不是基础脑部解剖结构的特定区域。

图1

      图1B绘制了α连接网络中参与系数的分组分布。对于每个组，该图绘制了参与系数Z分数的平均地形分布。这些拓扑图描绘了额叶和顶叶区域的中心区域（由高参与系数的节点组成）的重新出现，以及意识水平的提高。我们用所有节点上参与系数的标准偏差捕捉到了这一点，这是一种适合参与系数多样性的单一标量度量。如图1B所示，随着CRS-R诊断的增加，该指标显示了统计上显著的正趋势，量化的属性使图1A中可视化的网络与众不同，即大脑网络中强连接中枢的存在。这些中枢由潜在的结构连接路径支持，被认为在大脑中创建了一个小世界的功能网络。 在临床应用的背景下，图1B中的地形图和趋势表明，用静息高密度脑电数据评估此类枢纽的存在来测量意识潜能可能是有价值的床旁诊断。此外，随着CRS-R诊断的增加，α参与系数的地形分布的组内相关性也增加了，表明随着患者行为意识的增强，这些大脑连接中枢得到了更一致的观察。

图1

       图1C绘制了为估计每个EEG指标的判别力而进行的ROC分析的结果，并仅描述了具有统计意义的AUC的指标(按降序排列)。区分行为证据意识和缺乏行为证据意识的三大标准，即UWS与MCS的分类是参与系数、中央连接性和模跨度，均在α范围内。在ROC阈值下，区分这两个类别的α参与系数准确度为79％。这与通过专家评估从相同患者获得的PET图像获得的81%的准确性相当，也接近Stender等人报告的85%的准确性。这些基于连通性的测量在辨别意识的能力上也优于相对α能力,突显了连通性从根本上捕获了有关意识下层神经交互作用的独特信息。具有连通性和非创伤性病因的患者中保留了这种α连接性度量。

       虽然α网络指标擅长区分UWS患者和MCS-患者，但在所有通道上平均的相对δ带功率非常擅长区分MCS-和MCS+患者。随着患者行为诊断的增加，患者的相对δ功率逐渐降低，可能反映了皮质去分化的相对程度。EEG信号中此信息的存在使我们能够组合从不同频段提取的指标，以分层的意识尺度准确地划分每个患者。

       我们通过训练三级SVM分类器来预测单个UWS、MCS-和MCS+患者的诊断，从而研究了上述结果的可推广性。分类器的输入是用于区分UWS与MCS-和MCS-与MCS+的性能度量的主题值，即每个通道的α参与系数和δ带功率。图1D绘制了SVM在分层交叉验证后生成的混淆矩阵。用于统计估计分类器性能的卡方检验非常显著(见图1D)。特别是，如混淆矩阵所示，它以74%、100%和71%的准确率诊断了UWS、MCS-和MCS+患者，所有这些都远高于33%的概率水平。

       此外，该分类器对MCS诊断100%敏感。虽然一部分UWS患者被归类为MCS-(23人中的6人)，但是即使通过CRS-R进行了系统评估，这些患者的行为意识仍可能不明显。与CRS-R和EEG分类器同意对UWS进行诊断的患者相比，此类可能被误诊的UWS患者（六分之三）具有阳性结果（图1D）。这些组中的患者数量太少，不足以产生足够的能力对这些比例进行统计分析。最后，我们还发现分类器非常好地推广到MCS，闭锁综合征和健康对照受试者出现的以前看不见的参与系数指标，这些指标未用于训练。具体来说，所有来自MCS患者，闭锁综合征患者和健康对照组被归类为MCS(MCS或MCS+)。

脑电网络中心性与PET代谢相关
       我们研究了在床边测量的静息脑电图是否能预测PET的代谢，以建立这些非常不同的成像模式之间的一致性。我们使用了98名患者的数据，他们可解释PET扫描。首先使用先前建立的标准将每位患者标记为PET阴性或PET阳性。17名患者的PET阴性，其余81名PET阳性。

       图2A绘制了PET阴性/阳性患者的平均α连接拓扑图，描绘了连接强度和模式的显著差异。PET的阳性代谢与额叶、顶叶和中枢央区中枢之间的脑电图连通性相关。事实上，这些脑电图中枢的参与系数在PET阳性患者中明显更高（图2B），确定观察到的差异不是图理论度量估计之前应用的阈值的伪像。

图2

       使用与上述相似的ROC分析，我们发现到目前为止，每个患者的alpha网络中各节点的参与系数的标准偏差是最具判别力的指标，能够区分AUC为0.82的PET阴性/ PET阳性患者（图 2C）。此外，在该度量上训练的SVM分类器表现良好，并且能够以高灵敏度(81%)和特异性(82%)识别个体患者的基于PET的诊断。此外，作为分类器对以前未见过的数据的泛化能力的证据，所有的对照都被分类为阳性。EEG是单个患者水平上可靠的PET活化床旁预测指标。相比之下，患者的病因，受伤后的天数和评估时的年龄均不能预测其PET诊断。

       这些结果有力地证明了在床边通过脑电图测量的功能性脑网络中高度活跃和相互连接的中枢节点的存在与用PET测量的这些中枢的能量需求之间的相关性。这也许可以通过比较图3中两个人口统计学上相似的MCS+患者的α网络得到最好的例证。这两个患者均为脑外伤后为MCS +。尽管有这些相似之处，但患者79仍是PET阴性，而患者110却是PET阳性，这在他们的PET扫描中很明显（图3A和B）。与PET的这种差异相一致，他们的EEG衍生的大脑网络有着巨大而明显的差异(图3C和D)。后一个患者的α网络有很强的右侧化额顶叶连接，而前一个患者则完全没有。

图3

EEGδ带网络连接性预测结果

       EEG评估后1年的GOS-E评分信息使我们能够判断静息EEG网络活动在预测意识障碍恢复中的预后价值。61名患者的GOS-E评分可纳入本分析。我们将这些GOS评分分为结果阳性和结果阴性。根据这一定义，61名患者中有39名获得了阳性结果。

       与α带连接和行为/PET之间的关系相反，我们发现δ带连接和结果之间有明确的关系。图4A显示了对具有阳性和阴性结果的患者进行平均的δ带网络连接拓扑。根据GOS-E最终结果为阴性的患者在中部和顶叶区域的大部分区域都具有牢固的连接。相反，具有积极结果的患者的连通性下降(图4A右)。

图4

       我们将非创伤性病和创伤性的患者分开，以定量探讨δ连接性和预后之间的关系。非创伤性脑损伤后预后良好的患者具有较高的mesoscale modularity，突出了δ连接的不适应性质和δ带中强同步振荡的丢失作为恢复的积极预测因素。创伤后具有积极结果的患者在他们的δ网络中具有更高的 microscale clustering coefficients，这表明δ带中的局部拓扑连通性是该组中的积极预测因素(图4B)。这两个δ带指标显著预测了结果(图4C)，非创伤性和创伤性病因的AUC分别为0.77 和0.78.我们还发现,δ带网络中参与系数的标准差是病因本身的最佳鉴别器。

       像患者年龄这样的人口统计学因素也可以预测结果，病因本身也是如此。CRS-R总分预测结果的能力与基于CRS-R的UWS / MCS诊断的情况相似。这一发现强调了EEG网络指标是可用于补充人口统计和行为信息的有价值的经济预测指标。

       我们构建了在以上两个指标上进行交叉验证训练的SVM分类器，即增量模块化和聚类系数。他们能够比CRS-R诊断更好地预测单个患者未来的GOS-E二分法结局，并且与基于PET的诊断的预测强度紧密匹配。图4C显示了所产生的混淆矩阵，在区分阳性和阴性结果时产生了92％的敏感性和64％的特异性。此外，我们验证了该分类器能够分别以80％和87％的准确性预测UWS和MCS患者亚组的预后，从而证实了其在这些CRS-R诊断中的预后价值。

脑电网络中心性可以改善临床诊断水平
       根据临床共识，有82名患者在转诊时得到了诊断。这种共识诊断要么是UWS/植物人要么是MCS。我们将这些与住院一周内的CRS-R诊断进行了比较，以确定三组患者:17例UWS的共识诊断与基于CRS-R的UWS诊断一致，45例MCS的共识诊断与基于CRS-R的共识诊断一致，相对于通过CRS-R重新评估后的MCS诊断，有20位被误诊为UWS的MCS诊断（图5A）。因此，根据他们的共识诊断，在37例UWS患者中，有20例在重新评估了CRS-R后被重新分类为MCS。

图5

       我们研究了EEG对大脑网络的评估，如果在床边可用，是否有助于提供更准确的诊断。图5C绘制了上述三组患者的平均α网络连接拓扑图。很明显，被误诊为UWS的患者(图5C，右)有强大的额顶脑网络，类似于被正确诊断为MCS的患者(图5C，中间)，与正确诊断为UWS的患者不同(图5C，左)。为了量化这种视觉模式。图5B绘制了这些网络参与系数的标准偏差。与图5C中的可视化结果一致，被误诊为UWS的患者比根据CRS-R确实处于UWS的患者具有更高的该指标值。事实上，在我们估计的21个指标中，我们没有发现被正确诊断为MCS的患者和被误诊为UWS的患者之间有显著差异。

       最后，我们评估了我们先前构建的用于区分UWS、MCS-和MCS+类别的分类器是否能够检测意识的误诊。我们发现被误诊为UWS的20例患者都被基于EEG的分类器分类为MCS-或MCS+。也就是说，通过参与系数来测量的α网络中枢纽节点的存在能够根据临床共识诊断被误诊为UWS的患者意识的存在。

讨论

       我们的研究结果描述了患者的EEG衍生的电活动网络是如何与行为意识、大脑的代谢需求和临床结果相关联的。此外，我们已经证明了这种关联足够强大，可以建立对个体患者的行为诊断、PET诊断和结果的可靠预测因子。在此过程中，我们建立了评估引言中阐述的关键问题的证据基础，这些问题对于证明基于EEG的评估在意识障碍中的临床应用非常重要。

       首先，我们的结果重申了α波段传感器级连通性与行为所指示的意识状态之间的积极联系。我们已经证明，通过参与系数测量的EEG脑网络中连接中枢的逐渐重新出现，跟踪了用CRS-R测量意识的一致性，其准确性与专家基于PET的评估相当。确实，特定额叶和顶叶部位的连接中枢对脑损伤后意识恢复很重要的观点与PET和功能性MRI的证据相符。 此外，随着患者恢复到MCS以上，网络内部和网络之间的活动的正相关和负相关也重新出现。大脑网络活动的复杂性和意识状态之间的这种关系已经通过使用TMS对意识进行机械多样的自然、药理学和病理学调节得到了证明。此外，最近的文献强调了顶叶皮层(后热区)的高频(20–50Hz)活动是意识内容的神经关联。 我们通过强调α带的额顶叶连接作为意识水平的潜在关联来补充这一发现。

       我们的发现也与以前的文献一致，这些文献基于临床专业知识用补充方法分析EEG数据。这使人们对EEG作为一种有价值的工具的可靠性产生了信心，因为它表明可以使用不同的分析方法来提供类似的诊断能力。此外，我们在此处使用的最佳脑网络指标与基于CRS-R的诊断之间的关系强度与采用基于EEG的分析的先前文献中报道的强度相当。事实证明，PET和TMS-EEG的性能更好，但是两者都需要更为复杂的技术，这些技术不可能或很难在患者的床旁部署。因此，床边脑电图评估大脑连接性，可以使用比这里配置少一点的高密度脑电来估计，可以有价值地补充其他神经成像技术。实际上，我们重复了Engemann等人的发现。随着行为诊断的增加，dwPLI连接中值的积极趋势相对于包括的电极数量的逐渐减少是相对稳健的. 更进一步，我们评估了额叶和顶叶电极子集的有用性，这些电极由在有意识的健康对照中看到的具有高参与系数的区域来描绘(图1B)。与具有相似数量的电极的均匀分布的配置相比，在空间上受限制的电极子集中的连通性在意识水平上表现出更强的趋势。这表明，在连接集线器上自定义放置可以减少所需的电极数量，同时还可以保持测量信号的辨别能力和临床实用性。

        其次，我们已经表明，基于EEG的大脑连接中枢的存在与葡萄糖代谢本身之间也有很强的联系。PET是临床成像的一种成熟工具，最近在意识障碍的临床神经成像方面的进展突出了通过PET测量的脑代谢来诊断意识水平的潜力。先前的研究表明，包括外侧和内侧额顶叶网络在内的关键脑区的正常代谢活动是CRS-R所指示的行为意识水平甚至其恢复的强有力的预测因素。此外，这一证据与这些大脑区域被认为是支持内部(自我)和外部(刺激)意识的关键连接枢纽。在这项工作的基础上，我们研究了意识障碍中EEG和PET之间的关系，通过在FDG摄取期间进行EEG评估，确保这两种模式能够可靠地相关联。我们展示的脑电图和正电子发射断层扫描之间的一致性建立了脑电图评估我们证明的EEG与PET之间的一致性使EEG评估建立了信心，该评估最终可以部署在患者的床边。尽管EEG无法提供与PET一样的信息，但我们的发现为在缺乏金标准意识测试的情况下基于一致性的诊断方法提供了证据。Bodart等人。最近证明了PET与EEG测得的TMS反应的复杂性之间有很强的对应关系。他们的发现加强了EEG衍生的网络指标和PET代谢之间联系的概念基础。在这里，我们利用这一证据来训练分类器，这些分类器基于静息EEG测量的连接中枢的存在来预测各个患者的PET诊断。

       第三，与α网络连接性增加和行为诊断之间的积极联系相反，我们已经表明EEG脑网络中适应不良的δ带连接性和结果之间有显著的联系。这种联系受到脑损伤的病因学和皮质和皮质下神经元部分去分化的潜在程度的调节，已知会在δ带内产生振荡。这些知识对于确保能够加速积极结果的药物干预的及时性是有价值的。我们建议反复定期进行床边脑电图评估将涵盖更大范围的唤醒波动，将提高我们准确跟踪和预测单个患者意识恢复的能力。实际上，Casarotto等人研究表明，通过多次TMS-EEG评估得出的大脑活动复杂度的最大值可以显著提高评估的可靠性。因此，开发用于可重复床边评估的框架和分析流程可以实现基于EEG的指标的可靠估计，以量化意识障碍中的大脑网络。

       关于可重复评估，值得指出的是，尽管我们在此介绍的网络分析和分类算法很复杂，但从应用角度来看，这些步骤是完全自动化的。我们强调Sitt等人的相关工作。他们对来自高密度脑电图的大量措施进行了综合分析，以测试其区分UWS和MCS的能力。这些测量包括事件相关电位、频谱功率、连通性、熵、复杂性和互信息等。他们表明，从EEG信号中提取的不同测量方法可以有效地结合起来，构建自动化区分患者意识的工具。我们的结果与他们的工作一致，并对其进行了补充，表明静息态脑网络也可以预测患者的分层意识水平、脑代谢和临床结果。但是，此处提出的基于EEG的评估的当前局限性在于去除伪影所需的专家干预，特别是检查和识别嘈杂的数据和独立成分。在使这一步骤自动化方面，最近有许多方法学方面的进展，并且未来通过患者数据集验证这些方法的工作可能有助于开发用于临床应用的分析方法。

       最后，将误诊为UWS的患者与正确诊断为MCS的患者并列，我们强调了EEG在用CRS-R补充行为评估中的价值。CRS-R已被证明通过对行为进行评估，大大改善了标准临床检查，从而降低了误诊的风险。然而，需要训练有素的专家可靠地应用CRS-R。基于EEG的评估可以补充证据。可以为临床医生提供多种来源的综合证据，以获得更好的诊断和预后，并评估特定干预措施的有效性。