基于早期定量脑电图（qEEG）预测儿童心脏骤停神经功能预后的多中心研究

　　本研究针对儿童心脏骤停（CA）后神经预后评估不精确、无法区分残疾程度及缺乏可干预生物标志物等问题，通过多中心回顾性队列分析，结合临床特征、定性EEG（qualEEG）和定量EEG（qEEG）指标，构建了6变量预测模型（AUC=0.92）。发现抑制比（SR）和睡眠纺锤波缺失是关键预测因子，qEEG特征可动态监测并为神经保护研究提供潜在靶点。

　　

每年美国约有38,000名儿童发生院内外心脏骤停（CA），其中44-70%的患者出现不良神经功能结局，死亡率高达23-62%。幸存者常伴有神经功能状态衰退，给家庭和社会带来沉重负担。当前神经预后模型存在精确度不足、无法区分残疾程度、缺乏可干预的生物标志物等局限。脑电图（EEG）背景在CA后12小时内即与预后高度相关（阳性预测值82%），但主观定性分析存在变异性。定量EEG（qEEG）通过客观测量脑电信号，为预后预测提供了新途径。

为提升儿童CA后神经预后预测的准确性，由Giulia M Benedetti等学者组成的研究团队开展了一项多中心回顾性队列研究，成果发表于《Resuscitation》。该研究纳入两家三级儿童医院2010-2016年间221例3个月至18岁、CA后未恢复神经功能基线、基线儿童脑功能表现类别（PCPC）1-3分的患者，收集其24小时内≥6小时EEG数据。主要结局为6个月PCPC评分，分为良好（1-3分）和不良（4-6分且Δ>1）。研究整合临床变量、定性EEG（qualEEG）特征及Persyst软件分析的qEEG指标，通过训练集和验证集构建预测模型，并比较了机器学习算法（弹性网络和随机森林）与简化模型的性能。

研究采用的主要技术方法包括：回顾性收集多中心临床数据与EEG记录；使用Persyst 13软件进行qEEG分析，提取抑制比（SR）、标准化相对功率（按频率带）、频谱边缘频率等指标；基于ACNS指南的qualEEG特征分类；通过Caret R包随机划分训练与验证集；采用多变量逻辑回归与机器学习算法进行模型构建与验证。

研究结果揭示：

一、单变量分析显示临床、qualEEG和qEEG变量与结局相关

84例（38%）患者出现良好结局。不良结局与无慢性病史、院外CA、CA持续时间长、初始心律为停搏、非心脏病因、更多肾上腺素剂量、较低初始pH和较高乳酸相关。EEG方面，不良结局与睡眠纺锤波缺失、更严重背景类别和癫痫发作相关。qEEG特征中，较高标准化相对（NR）θ功率和SR，较低NR β功率、NR γ功率、峰值包络和标准化总功率与不良结局相关。

二、定性EEG背景和SR作为结局预测因子

背景严重程度增加与不良结局相关（p<0.001），但仅严重异常背景能预测结局。SR作为连续指标（OR 1.16）和有序分类变量均与结局线性相关（p<0.001）。SR≥50%的患者均出现不良结局。

三、多变量预测模型推导与验证

临床模型AUC为0.73，qualEEG模型为0.90，qEEG模型为0.85。最终优化模型包含中度或严重异常背景、24小时睡眠纺锤波缺失、NR β≤0.66、NR δ≥1.5、标准化总功率≤0.35和SR≥5.4%，AUC达0.92，显著优于临床模型（p=0.02）。机器学习模型未优于简化模型。

四、机器学习模型

弹性网络和随机森林模型AUC分别为0.97和0.95，与优化模型无显著差异。

五、年龄标准化与非标准化值模型比较

非年龄标准化模型性能相当（AUC 0.87，p=0.14）。年龄标准化增加了频率相关EEG特征的重要性，但SR和睡眠纺锤波缺失始终是最重要预测因子。

研究结论与讨论强调，结合qualEEG和qEEG特征的六变量模型在CA后24小时内即可高度预测预后，其性能与复杂机器学习模型相当。SR的定量分析较主观背景分类更能精确反映残疾程度，如SR>10%无正常结局，SR>50%无良好结局。睡眠纺锤波缺失和背景异常虽高度预测但仍非100%特异。qEEG特征如低β功率可能反映皮质功能保留或镇静剂影响，而SR作为客观指标可实时监测，有望用于神经保护试验的分层随机化。年龄标准化提升了频率变量的重要性，但SR无需年龄校正即可应用。

本研究局限性包括回顾性设计、EEG报告依赖临床文档、未排除癫痫发作段及样本量可能限制变量检测。然而，通过验证队列和客观qEEG指标，研究为儿童CA预后提供了可床边应用的预测工具，强调EEG量化在精准医疗中的价值，为未来动态生物标志研究和干预试验奠定基础。