编辑推荐：
研究人员为解决扩散去极化（SD）监测诊断难题，开展自动化检测研究，提高了检测准确性，意义重大。
一、研究背景
在神经重症监护领域，急性脑损伤后的治疗一直是医学研究的重点。扩散去极化（Spreading Depolarizations，SD）作为一种在大脑皮质中传播的病理波，逐渐进入人们的视野。它在急性脑损伤后的病变发展中扮演着关键角色，与不良预后密切相关。比如在创伤性脑损伤患者中，约 60% 会出现 SD，而在患有动脉瘤性蛛网膜下腔出血或缺血性中风的患者中，这一比例更是高达 80 - 100%。并且，SD 的反复出现与所谓的继发性损伤有关，实验研究表明它是急性病变（如缺血性梗死）发展的必要因果机制。
然而，目前 SD 监测的广泛应用面临着重大障碍。传统的诊断方法依赖于神经生理学，需要专业的训练和丰富的经验，这对于临床神经生理学家来说都颇具挑战。SD 的记录需要使用直流（DC）耦合脑电图放大器，这种放大器能够记录低至理论极限零赫兹（DC）的波动，但它是专门为 SD 研究开发的，在临床实践中并不普及。此外，记录这些缓慢和超慢电位需要理解不同的时间尺度、振幅和信号处理原理，还要求掌握新的软件和处理大量数据集的实践经验。缺乏正式培训机会和专业的解读人员，严重限制了 SD 监测的推广。
为了解决这些问题，来自美国辛辛那提大学（University of Cincinnati）等机构的研究人员开展了一项极具意义的研究，相关成果发表在《Scientific Reports》上。
二、研究方法
研究人员从 24 名患者（队列 1 有 14 名患者，队列 2 有 10 名患者）获取电皮质电图（Electrocorticography，ECoG）数据，这些数据均来自先前经 IRB 批准的人体实验协议，并在使用前进行了去识别化处理。
在数据处理方面，研究人员对原始 ECoG 数据进行了一系列预处理步骤。首先进行基线校正，通过计算 10 分钟移动中位数来校正直流偏移和漂移；然后使用有限脉冲响应（FIR）低通滤波器，截止频率为 0.5Hz 进行滤波；最后将数据从 256Hz 下采样到 1Hz，之后再进一步下采样到 0.1Hz。
在特征提取阶段，研究人员从时域和频域两个方面入手。时域特征包括均值、方差、偏度、峰度、熵等，频域特征则通过傅里叶变换（FT）和功率谱密度（PSD）计算得到，最终得到一个 80 维或更多维度的特征向量。
研究人员评估了支持向量机（Support Vector Machines，SVM）和极端梯度提升（Extreme Grading Boosting，XGB）两种机器学习算法，通过留一患者交叉验证（Leave-One-Patient-Out Cross-Validation，LOOCV）方法来优化模型，并计算特征重要性得分。
三、研究结果
- 模型性能：研究发现，XGB 算法在分类 ECoG 训练段为 SD 阳性或阴性方面表现更优。最终选择的 XGB 模型使用 400s 的段长和 30 个特征，该模型在分类 SD 阳性和阴性样本时，准确率达到 0.98，精度为 0.91，召回率为 0.89，AUC 为 0.99。
- 区分特征：在最终模型使用的 30 个特征中，29 个在 SD 阳性和阴性样本之间有显著不同的分布。11 个时域特征主要包括电压值分布的测量指标，其余频域特征与频率 - 振幅分布或分布峰值的 X 和 Y 坐标有关。这些定量特征与专家手动 ECoG 评分中用于识别 SD 的视觉特征相对应。
- 连续时间序列应用：将模型应用于连续 ECoG 时间序列数据时，需要设置概率值（θp）和持续时间（θD）的阈值。通过对队列 1 数据的处理，发现 XGB 模型在一系列θp和θD组合下表现最佳。在队列 2 数据集上测试最终模型，选择θp=0.5和θD=50，算法检测到 64% 的真实阳性 SD，假阳性率为每天 6.5 次。
- 算法局限性：对算法未检测到的事件（假阴性）进行回顾发现，多数情况下原因难以辨别，但部分是由于波形异常，如负向 DC 偏移持续时间长、幅度低、正向后电位幅度大等，还有 4% 是由于波形受到伪影干扰。对假阳性事件进行二次人工审查发现，多数（69.3%）实际上是真实的 SD，重新评分后假阳性率降至每天 2.0 次。并且，使用 0.1Hz 稀疏采样与 1Hz 采样的性能几乎相同。
四、研究结论与讨论
这项研究成功开发了一种基于机器学习的自动化 SD 检测方法，仅需稀疏数据采样（0.1Hz）就能实现较高的检测准确率。该方法克服了手动评分复杂、依赖专家的问题，为床边实时自动化检测 SD 提供了可能，有望推动 ECoG 监测的广泛应用。
研究还表明，自动化检测不仅节省人力，在某些方面还可能提高评分准确性。尽管算法存在一定数量的假阴性，但考虑到多通道 ECoG 信息的冗余性，以及未来纳入更多信息可能提高算法性能，这一问题并不影响其应用前景。
然而，该算法也存在局限性，目前只能应用于使用全频带（“DC”）放大器获取的记录，并且方法是基于创伤性脑损伤患者的数据开发的，在其他类型脑损伤患者中的通用性还有待验证。未来增加不同脑损伤类型的患者队列进行算法训练，有望提高算法的鲁棒性和通用性。
总的来说，这项研究为 SD 检测提供了新的思路和方法，是迈向理解 SD 多样性和开发更有效治疗策略的重要一步，对神经重症监护领域的发展具有重要意义。
