血脑屏障通透性的改变可作为蛛网膜下腔出血后癫痫发作和死亡风险的预测指标

《Eating Behaviors》：Blood–brain barrier opening as a predictor of epilepsy and mortality after subarachnoid haemorrhage

本研究通过多中心回顾性分析，评估了动脉瘤性蛛网膜下腔出血（aSAH）急性期血脑屏障功能障碍（BBBD）对癫痫和死亡预后的预测价值。纳入130例患者，采用半自动MRI分割技术量化BBBD异常脑组织百分比（ABT BBBD%），并结合神经电监护数据（如Spreading Depolarization, SD）和临床评分（如WFNS、MRS）。结果显示，ABT BBBD%在早期死亡（OR=2.523, p=0.029）和“癫痫或晚期死亡”综合终点（OR=1.619, p=0.001）中均为独立预测因子，且经多次敏感性分析验证。影像学分析表明，BBBD不仅存在于原发损伤区域，其周围正常脑组织（NBT）的BBBD亦显著增加，提示神经炎症扩散。研究证实BBBD可作为精准医疗工具，指导早期干预以降低癫痫和死亡风险。

　　在神经重症监护过程中，血脑屏障（BBB）的半自动评估及其他变量对于预测动脉瘤性蛛网膜下腔出血（aSAH）后“癫痫或晚期死亡”的结果具有重要意义。本研究是基于DISCHARGE-1研究的二次分析，包括来自德国六所大学医院的患者。所有在神经重症监护期间至少接受一次对比增强磁共振成像（CE-MRI）的患者都被纳入研究。初始临床评分和第14天的改良Rankin量表（MRS）数据可获得。通过半dural电皮层图（ECoG）评估癫痫发作和扩散性去极化（SD）。在CE-MRI中，两项影像，分别是在动脉瘤闭塞后和神经监测后，被半自动分割成脑脊液空间、正常脑组织和异常脑组织。正常和异常组织进一步被分类为具有“完整”或“功能障碍”血脑屏障的组织。癫痫和晚期死亡在中位数3.7年后被确定。

研究发现，神经监测后CE-MRI中异常、血脑屏障功能障碍组织占颅内体积的百分比是130名患者中唯一独立预测三周内早期死亡的变量。在121名早期幸存者中，这一变量也独立预测了“癫痫或晚期死亡”的二元结果。这一结果通过插补和留一法的组合得到，且在两个敏感性分析中得到确认，分别在较小的人群和较少的缺失值情况下进行。

该研究支持了之前实验性证据，即血脑屏障功能障碍在脑损伤后起着关键作用，导致癫痫的形成。对比增强MRI，一种微创技术，突出了异常、血脑屏障功能障碍组织作为独立预测因子的重要性，这凸显了其在早期诊断和干预中的潜力，作为“精准医学”工具。

本研究的资助来源包括JPD和AF报告的Era-Net Neuron EBio2项目，资金来自BMBF 01EW2004和CIHR奖号NDD 168164。JPD还报告了DFG DR 323/10-2（项目号：413848220）和EU Horizon MSCA-DN 101119916—SOPRANI的资助。AF报告了来自加拿大卫生研究机构（CIHR）的PJT 148896和以色列科学基金会（ISF）的2254/20资助。NH是柏林卫生研究所临床研究员，由Stiftung Charité资助。

在研究的背景下，我们搜索了PubMed上的文章，以了解可能与aSAH患者或接受实验性aSAH动物的血脑屏障（BBB）损伤与晚期癫痫或死亡的风险有关的证据。我们使用了“血脑屏障”、“BBB”、“磁共振成像”、“MRI”、“蛛网膜下腔出血”、“SAH”、“癫痫”和“死亡”的搜索关键词。最后一次搜索是在2025年5月28日进行的。我们没有发现任何报告，研究BBB功能障碍在aSAH急性或亚急性期与患者或动物在aSAH后发展为癫痫或死亡的关联。

在搜索“血脑屏障”、“BBB”、“中风”和“癫痫”的关键词时，我们发现了一篇2024年的综述，该综述基于创伤后癫痫的实验发现，探讨了BBB功能障碍是否是中风后癫痫形成的潜在因素。Meijer和Gorter在他们的摘要中明确指出了这一假设关联的证据：“然而，直接比较BBB功能障碍和术后癫痫的研究仍然很少”。总体而言，BBB功能障碍在临床环境中的预测能力对于癫痫形成的因果关系尚未确定。

本研究填补了这一空白，首次在aSAH患者的临床队列中测试了定量BBB成像作为预测术后癫痫和死亡的生物标志物的潜力。对于每个MR扫描，分析了四个半自动分割的预测变量，分别在中位数第2天和第15天进行。在最初的两周内，通过半dural电皮层图进行的侵入性神经监测被评分以评估癫痫发作和扩散性去极化。其他预测变量包括初始临床评分，如世界神经外科协会评分（WFNS）和Rosen Macdonald评分（RMS），以及神经监测后的MRS值。癫痫和晚期死亡在中位数3.7年后被确定。

通过半自动分割方法，我们开发了一种脑组织分类的方法，基于三个步骤：预处理、初始化和分割。预处理阶段使用SPM12进行，所有MR扫描都被校正以消除MR场不均匀性，通过线性（12参数仿射）和非线性变换与T1加权图像对齐，并归一化到蒙特利尔神经学研究所（MNI）空间。T1加权图像、FLAIR图像和DWI图像被用于多模态分割。

在初始化阶段，患者的MR数据与健康对照组创建的模板进行比较，以检测异常脑组织（ABT）。异常区域被识别为统计异常值。这些区域根据DWI特征进一步分为两种类型：（1）高信号强度和（2）等信号强度或低信号强度的DWI。在分割阶段，应用了统计模型，将每个脑体积分配到脑组织类别，结合多模态MRI序列的信息。数据被归一化和复杂度降低，使用主成分分析。一种机器学习方法（期望最大化算法）优化了脑组织分类。小的无关区域被移除，相邻的异常组织被合并，以形成最终的ABT图。

总的来说，MRI扫描在预处理阶段被校正以消除失真，并与标准脑模板对齐。通过SPM12软件对脑组织类型（灰质、白质、脑脊液空间）进行分类。在初始化阶段，患者的MR数据与健康对照组创建的模板进行比较，以检测ABT。异常区域被识别为统计异常值。这些区域根据DWI特征进一步分为两种类型：高信号强度和等信号强度或低信号强度的DWI。在分割阶段，应用了统计模型，将每个脑体积分配到脑组织类别，结合多模态MRI序列的信息。数据被归一化和复杂度降低，使用主成分分析。一种机器学习方法（期望最大化算法）优化了脑组织分类。小的无关区域被移除，相邻的异常组织被合并，以形成最终的ABT图。

我们之前开发了一种方法，使用CE-MRI评估BBB渗透性。通过比较注射Gd-DTPA前后的信号变化，检测到对比剂泄漏到脑组织（表明BBB开放）。对于每个受试者，估计了增强分布直方图的高斯拟合，以表示（i）增强后的脑组织（颞肌），（ii）未增强的脑组织（中等玻璃体）和（iii）富含示踪剂的血管（上矢状窦和横窦交汇处）。选择中等玻璃体区域以排除噪声，选择富含示踪剂的血管区域以排除正常增强的血管。两个交点被用来估计一个增强范围，表示脑组织缺乏正常BBB：交点在中等玻璃体和肌肉之间（τ?）和交点在肌肉和血管区域之间（τ?）。基于连通组件标记的形态学过滤程序被应用，以移除小于4个相邻体素的簇。检测到的BBBD脑组织被用来定义最终的BBBD脑组织，通过附加连通相邻体素（8连通性）并扩展增强范围（0.5τ?–1.5τ?）。通过重新分配每个BBBD体素的增强水平，创建了BBBD增强图。最终的BBBD增强图被归一化到0–1范围。

在分析ABT周围区域时，基于距离变换图（DTM），每个NBT体素被分配到最近的ABT边缘体素的欧几里得距离。NBT体素位于距离ABT边缘体素小于1厘米的位置，形成ABT周围区域的第一个对象。第二个和第三个对象是距离ABT边缘体素1到2厘米和2到3厘米的区域。如前所述，ABT周围区域被用来量化BBB渗透性在ABT周围的三个环状区域。

在神经监测分析中，SD和电图癫痫被发现是aSAH后的常见现象。我们遵循了Co-Operative Studies on Brain Injury Depolarisations（COSBID）小组的记录、分析和解释SD和电图癫痫的建议。对于本研究，除了少数补充，我们使用了DISCHARGE-1主要分析中的手动分析SD和电图癫痫的结果。每个患者的记录日被评估为总SD诱导的抑郁持续时间（TDDD）和SD的数量。然后，我们计算了每个SD相关变量的峰值，从而得到了峰值总SD诱导的抑郁持续时间（PTDDD）和峰值SD数量（peak_SD）。在每个患者中，初始出血后的第一个24小时被指定为“day 0”，第二个24小时为“day 1”，依此类推。

电图癫痫被定义为任何持续10秒或更长时间的尖峰、尖波或尖波-慢波复合体，频率至少为3次/秒或至少1次/秒，且在电极条的记录站点有明显的发展。这些变化表现为交替电流（AC）-ECoG功率的增加和功率积分，这可能发生在有或没有明显临床相关的情况下。每个记录日的总电图癫痫持续时间（TSDD）和峰值总电图癫痫持续时间（PTSDD）在类比于SD的TDD和PTD的计算中进行。此外，峰值电图癫痫数量（peak_seizure）也被计算，类似于peak_SD。

在分析中，我们发现，除了初始临床评分外，其他变量如ABT_iBBB%_early、ABT_BBBD%_early、PTDDD、peak_SD、NBT_iBBB%_post-monitoring、ABT_iBBB%_post-monitoring和ABT_BBBD%_post-monitoring在Bonferroni校正后是唯一具有统计学意义的变量。然而，由于只有9例早期死亡的事件，样本量较小，统计功效较低。在多变量分析中，只有ABT_BBBD%_post-monitoring（OR: 1.619, 95% CI: 1.228–2.133, p = 0.001）具有显著性。AUC为0.866（95% CI: 0.738–0.993）。

在121名早期幸存者中，我们分析了预测变量“PSE或晚期死亡”的结果。在Bonferroni校正后，只有ABT_BBBD%_post-monitoring是唯一具有统计学意义的变量。这一结果在多变量分析中同样成立，仅ABT_BBBD%_post-monitoring被保留。AUC为0.733（95% CI: 0.590–0.875）。

在研究的局限性方面，本研究是DISCHARGE-1研究的二次分析，存在一些限制。由于癫痫被分类为与aSAH相关的结构性癫痫，没有通过癫痫发作的半学征进行分型，因此我们的发现确立了BBBD在aSAH相关的“PSE或晚期死亡”中的预测价值，可能不适用于其他中风病因或癫痫亚型。为了评估BBBD，需要CE-MRI，因此有104名患者因未在神经重症监护期间接受CE-MRI而被排除。未进行CE-MRI扫描的原因多种多样，最常见的原因是血流动力学稳定性不佳。对比增强所需的延长时间使CE-MRI成为可选，但这也可能导致选择偏倚，因为较重的患者往往被排除。

另一方面，我们的数据库中患者表现出比其他研究中报告的更严重的aSAH。这是因为研究神经外科医生在评估二次恶化高风险时选择了侵入性神经监测。因此，本研究的发现最适用于中度受影响的aSAH人群。与这一观点一致的是，本研究队列的中长期死亡率（19.2%）相对适中。

此外，对于16名晚期死亡患者中的11名，无法确定PSE状态。然而，这并未影响主要分析，主要分析探讨了“PSE或晚期死亡”的联合终点。此外，通过结构化访谈和图表回顾确定的PSE可能引入回忆和信息偏倚，但使用ILAE一致的标准和核实记录可以减轻这种偏倚。任何误分类不太可能取决于CE-MRI衍生的变量，因此对关联的影响会减弱向无关联方向。

在神经监测期间，癫痫发作率比其他使用侵入性神经监测的研究要低。这可能是因为我们的队列患者在平均9±5天内使用丙泊酚和/或咪达唑仑进行镇静，这两种药物都有很强的抗癫痫作用。

一个相关方面是，丙泊酚在动物研究中增强BBB渗透性，而咪达唑仑则减轻BBBD。推测镇静剂可能因此成为BBBD的修饰剂。然而，观察到在所有三个CE-MRI扫描中，PSE患者的ABT区域和相邻的NBT区域的绝对BBBD体积更大，即使在8个月后的MRI中（没有使用镇静剂），这也反驳了镇静剂是BBBD与癫痫形成关联的必要条件。

我们的结果指出，PSE患者的临床状况随着脑萎缩而恶化，与没有PSE的患者相比。这种恶化是否确实是进行性神经变性的表现，需要进一步通过连续的神经心理评估和更长的研究时间来验证。

此外，目前尚无针对BBBD或相关神经炎症途径的有效治疗，这些治疗在随机干预试验中未能证明对癫痫形成、神经变性或死亡的预防效果。尽管我们的研究是首次在临床队列中显示BBBD与“PSE或晚期死亡”的关联，但并未证明因果关系，因为这需要随机干预试验。

最后，我们的研究包括了来自多个中心的患者，我们承认中心间差异和，特别是扫描仪差异可能影响了结果。为了减少中心间差异，我们实施了多项标准化措施：MRI采集协议、临床管理实践、集中图像处理和空间标准化（所有图像都通过SPM12 Matlab归一化到MNI标准空间，纠正了扫描仪之间的头部定位、取向和体素大小差异，确保了所有受试者之间的解剖对应性）。由于没有测量相同量的参考技术，无法直接验证半自动分割的MRI变量，如ABT_BBBD%_post-monitoring、ABT_iBBB%_post-monitoring、NBT_BBBD%_post-monitoring和NBT_iBBB%_post-monitoring。然而，一种间接验证方法是将半自动分割的MRI变量与不同中心手动分割的脑损伤体积进行相关性分析，以确定结果是否合理。如所示，ABT_BBBD%_post-monitoring与手动分割的脑损伤体积之间有特别强的相关性，这是合理的。此外，这些变量在不同研究中心之间的比较表明，多中心效应相当小。

结论表明，ABT_BBBD%_post-monitoring是130名患者中唯一独立预测“PSE或晚期死亡”的生物标志物，这些患者在三周后存活。这一早期生物标志物在神经重症监护阶段通过CE-MRI自动评估，特别适合用于精准医学应用。后续的CE-MRI可以利用ABT_BBBD%来直接评估针对BBBD和相关病理的药物治疗的有效性。ABT_BBBD%甚至可以作为药效学生物标志物，帮助优化治疗参数，如剂量和持续时间，尤其是在治疗目标涉及调节BBB完整性或相关神经炎症途径时。因此，我们的发现突出了自动MRI分割技术的价值，并为进一步研究增强精准医学策略提供了基础，同时也为将这些创新整合到患者护理中开辟了清晰的临床途径。