基于术中脑电图波形开发深度学习模型预测成人术后谵妄

《npj Digital Medicine》：Development of a deep learning-based prediction model for postoperative delirium using intraoperative electroencephalogram in adults

术后谵妄(POD)是老年手术患者常见的严重并发症，目前缺乏有效的术中预测工具。本研究开发了一种基于深度学习的术中脑电图(EEG)预测模型DELPHI-EEG。该模型在包含34,550例手术病例的队列中表现出色，受试者工作特征曲线下面积(AUROC)达0.870，显著优于基于抑制比(SR)的传统模型(AUROC: 0.729, p=0.004)。DELPHI-EEG通过捕捉α波功率衰减等关键特征，为临床提供了实时、精准的POD风险分层工具，有望实现早期干预。

　　

想象一下，一位老人刚刚经历了一场成功的手术，家人悬着的心终于放下。然而，术后几天，老人却突然变得糊涂、躁动不安，甚至出现幻觉。这不是简单的“麻药没醒”，而是一种被称为术后谵妄(Postoperative Delirium, POD)的急性神经精神综合征。POD不仅给患者带来痛苦，还与5年死亡率增加、住院时间延长、医疗费用飙升等严重后果密切相关。据统计，其发病率在10%至60%之间，是围术期管理的一大难题。

目前，临床医生主要依赖术前评估（如年龄、认知功能）来预测POD风险。然而，手术和麻醉本身对大脑的生理冲击，尤其是术中脑功能的细微变化，是现有工具无法捕捉的“盲区”。虽然术中脑电图(EEG)监测能实时反映大脑状态，但传统方法仅关注“爆发抑制”(Burst Suppression)等单一指标，忽略了脑电波中蕴含的丰富信息。因此，开发一种能够利用术中EEG波形进行精准、实时预测的工具，对于实现POD的早期预警和靶向干预至关重要。

为了回答这一临床难题，来自首尔大学医院的研究团队在《npj Digital Medicine》上发表了一项重要研究。他们开发了一种名为DELPHI-EEG的深度学习模型，旨在利用术中多通道EEG波形来预测POD。该模型在包含34,550例手术病例的大规模队列中进行了验证，其预测性能显著优于传统的逻辑回归模型，为临床提供了强大的辅助决策工具。

关键技术方法

本研究为一项回顾性队列研究，纳入了2022年至2024年间在首尔大学医院接受全身麻醉并接受6导联术中EEG监测的34,550例手术病例。研究团队开发了DELPHI-EEG模型，该模型采用了一种结合图卷积网络(Graph Convolutional Network)和Transformer模块的深度学习框架，能够从原始EEG波形中提取时空特征。模型输入包括6通道2分钟EEG波形、年龄和性别。研究将DELPHI-EEG与基于抑制比(Suppression Ratio, SR)、患者状态指数(Patient State Index, PSI)、年龄和性别的逻辑回归模型及其他机器学习模型进行了性能比较。此外，研究还通过SHAP分析、频带消融和通道消融等方法对模型的可解释性进行了深入分析。

研究结果

DELPHI-EEG模型性能显著优于传统模型

研究结果显示，DELPHI-EEG模型在预测POD方面表现出卓越的性能。在5折交叉验证中，DELPHI-EEG的受试者工作特征曲线下面积(AUROC)达到0.870 (95% CI: 0.789-0.935)，显著优于基于SR、PSI、年龄和性别的逻辑回归模型(AUROC: 0.729, p=0.004)。同时，DELPHI-EEG的精确率-召回率曲线下面积(AUPRC)为0.038，也显著高于逻辑回归模型的0.013 (p=0.002)。在召回率(Recall)方面，DELPHI-EEG高达0.933，意味着它能有效识别出绝大多数POD高风险患者。

模型可解释性分析揭示α波功率是关键预测因子

为了理解DELPHI-EEG的决策依据，研究人员进行了深入的可解释性分析。线性回归分析显示，DELPHI-EEG预测的POD风险概率与α波(8-12 Hz)的相对功率呈显著负相关(β = -0.562, p<0.001)，而与δ波(1-4 Hz)和θ波(4-8 Hz)的相对功率呈显著正相关。这表明，α波功率的降低和慢波(δ/θ)功率的增加是模型判断POD高风险的重要依据。频带消融分析进一步证实了α波的关键作用：当α波被移除后，模型的F1分数下降了53.04%，是所有频带中影响最大的。空间分析则发现，左前顶叶导联(L2)对模型预测的贡献最大。

亚组分析显示模型在不同麻醉和手术类型中表现稳健

为了评估DELPHI-EEG的泛化能力，研究进行了亚组分析。结果显示，模型在不同麻醉类型和手术类型中均保持了稳健的性能。在全凭静脉麻醉(TIVA)组中，AUROC为0.864；在吸入麻醉组中，AUROC为0.872。在不同手术类型中，腹盆腔手术组的AUROC最高，达到0.899，胸外科手术组和其他手术组的AUROC分别为0.848和0.867。生存分析表明，根据DELPHI-EEG预测结果划分的高风险组和低风险组，其POD发生时间的分布存在显著差异(p<0.001)。

敏感性分析验证标签定义的可靠性

由于POD的诊断在电子病历中可能存在漏报，研究采用了一种基于精神科会诊和抗精神病药物使用的复合标签。为了验证这种标签定义的可靠性，研究人员对部分同时拥有复合标签和ICU意识模糊评估法(CAM-ICU)金标准标签的病例进行了敏感性分析。结果显示，DELPHI-EEG模型在预测复合结局时的AUROC为0.839，与使用原始标签的结果无显著差异(p=0.3707)，验证了研究标签定义的可靠性。

研究结论与讨论

本研究成功开发并验证了DELPHI-EEG模型，这是首个利用深度学习技术处理术中多通道原始EEG波形来预测POD的模型。该模型通过捕捉α波功率衰减这一关键神经生理学特征，实现了对POD风险的精准预测，其性能显著优于传统的基于抑制比的模型。

DELPHI-EEG模型的成功，不仅在于其优异的预测能力，更在于其临床应用的巨大潜力。首先，该模型能够实现术中实时预测，为临床医生提供了一个宝贵的“时间窗口”，使其能够在POD发生前数天就识别出高风险患者，从而有机会实施针对性的预防措施，如术后右美托咪定镇静或多组分干预。其次，该模型仅需术中EEG波形、年龄和性别作为输入，无需复杂的围术期临床特征，具有良好的临床可行性。最后，该模型的可解释性分析揭示了α波功率与POD风险的内在联系，这不仅与既往研究发现的“α波功率降低是POD的神经生理学标志”相一致，也为理解POD的病理生理机制提供了新的线索。

当然，本研究也存在一些局限性。例如，POD的标签定义主要依赖于电子病历中的精神科会诊和抗精神病药物使用记录，而非标准化的床旁评估工具，这可能导致部分病例被漏诊。此外，该模型是在单一中心、使用特定6导联EEG系统开发的，其外部有效性需要在不同临床环境和不同EEG设备上进行进一步验证。

综上所述，DELPHI-EEG模型为POD的早期预测提供了一种强大、实时且可解释的工具。尽管仍需外部验证，但它已展现出作为临床辅助决策工具的巨大潜力，有望通过精准的风险分层，最终改善老年手术患者的术后结局。