编辑推荐：
为解决婴幼儿缺乏可靠脑电图（EEG）麻醉深度评估指标的问题，研究人员开展定量 EEG（qEEG）结合机器学习预测≤3 月龄婴儿呼气七氟醚（eSevo）浓度的研究。发现 KNN 等模型准确率达 67.5%-68.7%，爆发抑制率（BSR）为关键特征，为开发婴幼儿专用 EEG 算法提供依据。
在现代医学领域，婴幼儿麻醉的精准调控一直是临床难题。传统基于最小肺泡浓度（MAC）的给药方式，无法精准反映婴幼儿大脑对麻醉药物的个体差异，且婴幼儿脑发育尚未成熟，过度麻醉可能引发低血压等并发症。此外，成人和儿童适用的脑电（EEG）麻醉深度监测指标（如 BIS、Narcotrend）在≤3 月龄婴儿中缺乏有效性验证，因该群体脑电活动的振幅和频率特征与成人差异显著，现有算法未考虑其髓鞘化和突触发生的发育特点。因此，开发适用于婴幼儿的特异性 EEG 监测工具迫在眉睫。
为填补这一空白，来自美国宾夕法尼亚大学佩雷尔曼医学院等机构的研究人员，开展了一项多中心研究。该研究通过分析婴幼儿围术期的定量脑电图（qEEG）参数与呼气七氟醚（eSevo）浓度的关联，探索机器学习模型在预测麻醉深度中的应用潜力。研究成果发表于《Journal of Clinical Monitoring and Computing》，为婴幼儿精准麻醉提供了新方向。
研究主要采用以下技术方法：
- 数据来源：回顾性分析 15 中心研究中≤3 月龄婴儿的 EEG 和 eSevo 数据，共纳入 42 例婴儿的 4574 个 1 分钟脑电 epoch，对应 eSevo 分为 0.1-1.0%（A）、1.0-2.1%（B）、2.1-2.9%（C）、>2.9%（D）四级。
- 脑电处理：使用 NEURAL 工具包提取 15 个 qEEG 参数，包括各频段（δ、θ、α、β）的相对功率、相干性、熵值，以及爆发抑制率（BSR）、频谱边缘频率（SEF50、SEF90）等。
- 机器学习模型：构建 8 种模型（K 近邻、支持向量机、多层感知机等），通过 50 次 80/20 随机划分训练集和测试集，以准确率和 F1 分数评估性能，并利用 SHAP 值分析关键特征贡献度。
研究结果
1. 机器学习模型性能
- 整体表现：K - 近邻（KNN）、默认多层感知机（DMLP）和支持向量机（SVM）为 top performers，准确率达 67.5%-68.7%，F1 分数 > 0.65。高斯朴素贝叶斯（GNB）表现最差（准确率 41.4%）。
- 分级预测：对低浓度 eSevo（A 级）的预测准确性较低，而对中高浓度（B-D 级）表现更优。DMLP 在 A、B、D 级的平衡准确率和 F1 分数最高，KNN 在 C 级表现最佳。
2. 关键脑电特征识别
- SHAP 分析：爆发抑制率（BSR）是 SVM 和 DMLP 模型中贡献度最高的特征，其值随 eSevo 浓度升高而增加（A-D 级分别为 2.3%、3.3%、5.1%、6.4%）。其他重要特征包括 β 频段熵值（entropy β）、SEF90、α 频段相干性（coherence α）和 θ 频段熵值（entropy θ）。
- 特征冗余性验证：剔除 BSR 后，模型准确率和 F1 分数仅轻微下降，提示其他特征（如 SEF90、α 功率）可部分代偿 BSR 的信息，表明 BSR 是整合多维度脑电变化的 “高效特征”。
3. 数据分布与模型泛化性
- 主成分分析（PCA）显示，脑电参数分布无显著患者或中心聚类效应，提示模型泛化性较好，不受个体或地域差异影响。
研究结论与讨论
本研究首次证实，qEEG 结合机器学习可中等程度预测≤3 月龄婴儿的 eSevo 浓度，其中爆发抑制率（BSR）是最关键的预测因子。BSR 作为一种可通过原始 EEG 直观识别的特征，无需复杂算法即可用于指导麻醉药物滴定，这对临床实践具有重要价值。此外，β 频段熵值等参数的贡献表明，不同频率成分的脑电活动与麻醉深度存在复杂关联，为后续算法优化提供了多维度靶点。
尽管现有模型准确率未达理想水平，但其揭示了婴幼儿脑电特征与麻醉药物效应的非线性关系，为开发年龄特异性 EEG 算法奠定了基础。未来研究可进一步整合更多生理参数（如血流动力学指标），并优化模型结构，以提升预测精度。该研究不仅填补了婴幼儿麻醉监测的空白，也为基于神经电生理的精准麻醉技术提供了新范式，有望减少过度麻醉相关并发症，改善婴幼儿围术期预后。
研究局限性包括依赖 eSevo 作为替代终点而非直接脑功能指标，以及未控制手术刺激和其他药物对 EEG 的干扰。但作为探索性研究，其为婴幼儿麻醉监测的技术革新提供了关键起点，具有重要临床转化意义。
