DOI: https://doi.org/10.1016/j.resuscitation.2026.111102
PMID: https://pubmed.ncbi.nlm.nih.gov/42000027
تاريخ النشر: 2026-04-16
المؤلف: Michel J. A. M. van Putten وآخرون
الموضوع الرئيسي: توقف القلب والإنعاش
نظرة عامة
تقدم البحث DeepCRI، وهو نموذج جديد للتعلم العميق مصمم للتنبؤ المبكر بالنتائج العصبية لدى المرضى في حالة غيبوبة بعد توقف القلب. يستخدم النموذج تسجيلات EEG التي تم أخذها بعد 24 ساعة من التوقف من مجموعة من 522 مريضًا، حيث تم تصنيف النتائج بناءً على درجات فئة الأداء الدماغي (CPC). يؤكد الدراسة على أهمية التنبؤ الدقيق لإبلاغ قرارات العناية المركزة، مع معالجة قيود التفسير البصري التقليدي لـ EEG، والذي غالبًا ما يكون ذاتيًا ويستغرق وقتًا طويلاً. تم تقييم معايرة النموذج باستخدام خطأ المعايرة المتوقع (ECE)، وتم تحقيق التنبؤ الديناميكي من خلال تحديد عتبات الخصوصية للنتائج الجيدة والضعيفة.
في مرحلة التدريب، أظهر DeepCRI منطقة عالية تحت منحنى التشغيل (ROC AUC) تبلغ 0.97، مع ECE قدره 0.049. كشفت التحقق في مجموعة مستقلة من 222 مريضًا أن 83% من النتائج تم تصنيفها خلال 24 ساعة، مع حساسية قدرها 93.9% للنتائج الجيدة و56.6% للنتائج الضعيفة، مع الحفاظ على خصوصية بنسبة 100%. كانت أوقات القفل المتوسطة للتصنيفات 11.2 ساعة للنتائج الجيدة و14.4 ساعة للنتائج الضعيفة. تختتم الدراسة بأن DeepCRI يمثل أول أداة تعلم عميق في الوقت الحقيقي للتنبؤ العصبي بعد توقف القلب، مما يبرز إمكانيته للتكامل في أنظمة مراقبة EEG الروتينية لتحسين رعاية المرضى.
مقدمة
ت outlines المقدمة الحاجة الملحة للتنبؤات المبكرة الموثوقة للنتائج العصبية بعد توقف القلب لتعزيز إدارة وحدة العناية المركزة، بما في ذلك استشارة الأسرة وقرارات الرعاية. لقد أثبتت EEG المستمرة (cEEG) قيمتها في تحديد الأنماط التنبؤية، مثل العودة المبكرة للإيقاعات الفسيولوجية التي تشير إلى نتائج إيجابية أو أنماط قمع الانفجارات التي تشير إلى تشخيص ضعيف. ومع ذلك، فإن التفسير البصري التقليدي لبيانات EEG يعوقه قيود الوقت، والذاتية، وتباين المقيمين، على الرغم من استخدام مصطلحات موحدة.
لمعالجة هذه التحديات، تم تطوير عدة نماذج تعلم آلي، بما في ذلك الشبكات العصبية العميقة، لتفسير EEG، محققة حساسية تتراوح بين 50-70% مع خصوصية عالية. ومع ذلك، غالبًا ما تتجاهل هذه النماذج المعايرة ومحدودة بتنبؤات نقطة زمنية واحدة، عادةً بعد 24 ساعة من التوقف، مما يفشل في احتساب الطبيعة الديناميكية للإنسفالوبيثي بعد نقص الأكسجين. يهدف إدخال DeepCRI إلى التغلب على هذه القيود من خلال استخدام مجموعة بيانات كبيرة ومتعددة المراكز، ودمج المعايرة، وتقديم تقديرات تنبؤية محدثة باستمرار خلال الـ 36 ساعة الأولى بعد توقف القلب. ي stabilizes آلية القفل التنبؤات بمجرد أن تصبح موثوقة بما فيه الكفاية، مما يسمح بالتنبؤ الفردي دون تقلبات. توضح الدراسة تطوير DeepCRI، وأدائه في مجموعة تحقق مستقلة، وتكامله في مراقبة EEG الروتينية في وحدة العناية المركزة.
طرق
ي outlines قسم الطرق تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث نفذوا تجارب محكومة لجمع البيانات حول المتغيرات المحددة. تم إجراء تحليلات إحصائية باستخدام أدوات البرمجيات لضمان قوة النتائج، بما في ذلك تحليل الانحدار لتحديد العلاقات بين المتغيرات المستقلة والتابعة.
بالإضافة إلى ذلك، دمجت الدراسة طريقة أخذ عينات منهجية لضمان جمع بيانات تمثيلية، مما يعزز صلاحية النتائج. كما شملت المنهجية بروتوكولات مفصلة لجمع البيانات ومعالجتها، لضمان إمكانية إعادة الإنتاج. بشكل عام، كانت الطرق المستخدمة مصممة بدقة لمعالجة أسئلة البحث بفعالية وتحقيق استنتاجات موثوقة.
نتائج
في الدراسة، تم تدريب DeepCRI على تسجيلات EEG من 522 مريضًا، حيث حقق 51% نتائج إيجابية. أظهر النموذج أداءً عاليًا، محققًا منطقة تحت المنحنى (AUC) تبلغ 0.97 بعد 24 ساعة من التدريب، إلى جانب خطأ المعايرة المتوقع (ECE) قدره 0.049، مما يشير إلى توزيع احتمالات متوقعة مفصولة جيدًا لنتائج المرضى. في مجموعة تحقق مستقلة من 222 تسجيلًا، حيث كانت 60% لديها نتيجة جيدة، تم تصنيف 38 مريضًا (17%) في المنطقة الرمادية، وكان معظمهم من ذوي النتائج الضعيفة. كانت أوقات القفل المتوسطة 11.2 ساعة للمرضى ذوي النتائج الجيدة و14.4 ساعة لأولئك ذوي النتائج الضعيفة، مما يشير إلى أن التنبؤات تستقر بعد سلسلة متسقة من القيم عالية الثقة.
كشفت التحليلات عن 16 تنبؤًا خاطئًا للنتائج الجيدة، دون أي تنبؤات خاطئة للنتائج الضعيفة. من الجدير بالذكر أن مقاييس الأداء تحسنت قليلاً عند حذف رفض الشوائب، على الرغم من أن ذلك أدى إلى تنبؤ خاطئ واحد لنتيجة ضعيفة. تم دمج DeepCRI في برنامج NeuroCenter EEG السريري وهو حاليًا قيد التقييم في بيئة وحدة العناية المركزة، مع تطور التنبؤ في الوقت الحقيقي الذي تم توضيحه في المواد التكميلية.
مناقشة
تناقش البحث DeepCRI، وهو نموذج رائد للتعلم العميق في الوقت الحقيقي مصمم للتنبؤ العصبي للمرضى في حالة غيبوبة بعد توقف القلب. يتكامل هذا النموذج بسلاسة مع مراقبة EEG المستمرة بجانب السرير، مما يوفر تنبؤات ديناميكية تتكيف مع مرور الوقت، على عكس النماذج الثابتة التقليدية. أظهرت تنبؤات DeepCRI أنها قابلة للمقارنة أو متفوقة على التفسيرات البصرية لـ EEG، محققة ثقة عالية في 83% من المرضى، مع أوقات قفل متوسطة تبلغ 11 ساعة للنتائج الجيدة و14 ساعة للنتائج الضعيفة. تضمن آلية القفل المدفوعة بيولوجيًا للنموذج أنه بمجرد إجراء تنبؤ عالي الثقة، يبقى ثابتًا، مما يعكس استقرار أنماط EEG مع مرور الوقت.
تشير مقاييس أداء DeepCRI إلى حساسية تتراوح بين 50-60% للنتائج الضعيفة عند 99% خصوصية و60-75% للنتائج الجيدة عند 95% خصوصية. يقلل النموذج بفعالية من التنبؤات المتشائمة الخاطئة، محققًا 100% خصوصية للنتائج الضعيفة في التحليلات التي تم رفض الشوائب فيها. تعزز النتائج القيمة التنبؤية لبيانات EEG المبكرة، التي تتأثر أقل بالتخدير وتكون أكثر دلالة على إصابة عصبية لا رجعة فيها مقارنة بالتسجيلات اللاحقة. يهدف DeepCRI إلى تعزيز القدرات التنبؤية في البيئات ذات الوصول المحدود إلى خبرة EEG، مما يعمل كملحق لأساليب التنبؤ متعددة الوسائط. يتم تقييم تأثيره السريري في التجارب الجارية، مع إمكانية إبلاغ التدخلات المخصصة وتحسين نتائج المرضى بعد التوقف.
DOI: https://doi.org/10.1016/j.resuscitation.2026.111102
PMID: https://pubmed.ncbi.nlm.nih.gov/42000027
Publication Date: 2026-04-16
Author(s): Michel J. A. M. van Putten et al.
Primary Topic: Cardiac Arrest and Resuscitation
Overview
The research presents DeepCRI, a novel deep learning model designed for the early prediction of neurological outcomes in comatose patients following cardiac arrest. The model utilizes EEG recordings taken 24 hours post-arrest from a cohort of 522 patients, with outcomes classified based on Cerebral Performance Category (CPC) scores. The study emphasizes the importance of accurate prognostication to inform intensive care decisions, addressing the limitations of traditional visual EEG interpretation, which is often subjective and time-intensive. Calibration of the model was assessed using the expected calibration error (ECE), and dynamic prognostication was achieved by establishing specificity thresholds for good and poor outcomes.
In the training phase, DeepCRI demonstrated a high area under the receiver operating characteristic curve (ROC AUC) of 0.97, with an ECE of 0.049. Validation in an independent cohort of 222 patients revealed that 83% of outcomes were classified within 24 hours, with a sensitivity of 93.9% for good outcomes and 56.6% for poor outcomes, maintaining a specificity of 100%. The median lock-in times for classifications were 11.2 hours for good outcomes and 14.4 hours for poor outcomes. The study concludes that DeepCRI represents the first real-time deep learning tool for neurological prognostication after cardiac arrest, highlighting its potential for integration into routine EEG monitoring systems for enhanced patient care.
Introduction
The introduction outlines the critical need for reliable early predictions of neurological outcomes following cardiac arrest to enhance ICU management, including family counseling and care decisions. Continuous EEG (cEEG) has proven valuable in identifying prognostic patterns, such as the early return of physiological rhythms indicating favorable outcomes or burst-suppression patterns suggesting poor prognosis. However, traditional visual interpretation of EEG data is hindered by time constraints, subjectivity, and interrater variability, despite the use of standardized terminology.
To address these challenges, several machine learning models, including deep neural networks, have been developed for EEG interpretation, achieving sensitivities between 50-70% at high specificity. Nonetheless, these models often neglect calibration and are limited to single time-point predictions, typically 24 hours post-arrest, which fails to account for the dynamic nature of post-anoxic encephalopathy. The introduction of DeepCRI aims to overcome these limitations by utilizing a large, multicenter dataset, incorporating calibration, and providing continuously updated prognostic estimates over the first 36 hours after cardiac arrest. A lock-in mechanism stabilizes predictions once they are sufficiently reliable, allowing for individualized prognostication without fluctuations. The study details the development of DeepCRI, its performance in an independent validation cohort, and its integration into routine ICU EEG monitoring.
Methods
The Methods section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing controlled experiments to gather data on the specified variables. Statistical analyses were conducted using software tools to ensure the robustness of the findings, including regression analysis to identify relationships between the independent and dependent variables.
Additionally, the study incorporated a systematic sampling method to ensure representative data collection, enhancing the validity of the results. The methodology also included detailed protocols for data collection and processing, ensuring reproducibility. Overall, the methods employed were rigorously designed to address the research questions effectively and yield reliable conclusions.
Results
In the study, DeepCRI was trained on EEG recordings from 522 patients, with 51% achieving a favorable outcome. The model demonstrated high performance, achieving an area under the curve (AUC) of 0.97 at 24 hours post-training, alongside an expected calibration error (ECE) of 0.049, indicating well-separated predicted probability distributions for patient outcomes. In an independent validation cohort of 222 recordings, where 60% had a good outcome, 38 patients (17%) were classified in the gray zone, predominantly those with poor outcomes. The median lock-in times were 11.2 hours for patients with good outcomes and 14.4 hours for those with poor outcomes, suggesting that predictions stabilize after a consistent sequence of high-confidence values.
The analysis revealed 16 false predictions of good outcomes, with no false predictions for poor outcomes. Notably, performance metrics improved slightly when artifact rejection was omitted, although this resulted in one false prediction of a poor outcome. DeepCRI has been integrated into the NeuroCenter EEG clinical software and is currently under evaluation in an ICU setting, with real-time prediction evolution demonstrated in supplementary materials.
Discussion
The research discusses DeepCRI, a pioneering real-time deep learning model designed for the neurological prognostication of comatose patients following cardiac arrest. This model integrates seamlessly with continuous EEG monitoring at the bedside, offering dynamic predictions that adapt over time, unlike traditional static models. DeepCRI’s predictions have shown to be comparable or superior to visual EEG interpretations, achieving high confidence in 83% of patients, with mean lock-in times of 11 hours for good outcomes and 14 hours for poor outcomes. The model’s biologically motivated lock-in mechanism ensures that once a high-confidence prediction is made, it remains fixed, reflecting the stability of EEG patterns over time.
DeepCRI’s performance metrics indicate a sensitivity of 50-60% for poor outcomes at 99% specificity and 60-75% for good outcomes at 95% specificity. The model effectively minimizes false pessimistic predictions, achieving 100% specificity for poor outcomes in artifact-rejected analyses. The findings reinforce the prognostic value of early EEG data, which is less affected by sedation and more indicative of irreversible neuronal injury than later recordings. DeepCRI aims to enhance prognostic capabilities in settings with limited access to EEG expertise, serving as an adjunct to multimodal prognostication approaches. Ongoing trials are assessing its clinical impact, with the potential to inform tailored interventions and improve patient outcomes post-arrest.