《CNS Neuroscience & Therapeutics》:Respiratory Variability in Disorders of Consciousness: Relationship and Clinical Applications
编辑推荐:
背景:呼吸变异性(RV)反映了中枢神经系统对呼吸模式的动态调节,并可能作为意识的生理标志物。然而,其在意识障碍(DOC)中的预测价值尚不明确。
目的:探究呼吸变异性与意识水平之间的关系,并评估基于呼吸变异性分析在预测意识障碍患者临床结局方面的潜力。
方法:研究
背景:呼吸变异性(RV)反映了中枢神经系统对呼吸模式的动态调节,并可能作为意识的生理标志物。然而,其在意识障碍(DOC)中的预测价值尚不明确。
目的:探究呼吸变异性与意识水平之间的关系,并评估基于呼吸变异性分析在预测意识障碍患者临床结局方面的潜力。
方法:研究人员评估了意识障碍患者和健康对照组,使用惯性测量单元(IMU)传感器记录三轴加速度信号。从呼吸波形中提取呼吸变异性指标。应用广义可加模型(GAM)调整混杂变量。通过Bootstrap重采样和Mann-Whitney U检验评估组间差异。采用机器学习模型——包括随机森林、弹性网络、支持向量机(SVM)和偏最小二乘回归(PLS)——来预测昏迷恢复量表-修订版(CRS-R)评分和临床结局。
结果:在患者组和对照组之间观察到多个呼吸变异性指标存在显著差异(p<0.05),表明呼吸变异性与意识障碍的病理生理学存在关联。在测试的模型中,随机森林算法在预测CRS-R评分(均方误差=3.76,决定系数2=0.76)和临床结局(曲线下面积=0.74,灵敏度=0.86)方面均取得了最佳性能,优于其他模型。
结论:呼吸变异性,特别是通过随机森林模型进行分析时,在意识障碍的预后评估和临床决策支持方面显示出巨大潜力。呼吸变异性可能是一种反映呼吸神经控制和意识状态的无创生物标志物。
一、 研究背景、问题与研究目的
意识障碍(DOC)是由心脏骤停、创伤性脑损伤、颅内出血等原因导致的一种临床状态,表现为觉醒、注意力和认知功能的损伤或丧失。尽管重症监护技术的进步提高了严重脑损伤患者的存活率,但其生活质量依然低下,给个人、家庭和社会带来沉重负担。因此,准确评估意识水平和预测临床结局是紧迫的临床需求。
当前,意识障碍的分类主要依赖于行为特征的观察,例如使用昏迷恢复量表-修订版(CRS-R)进行评估。然而,行为评估具有主观性,易受观察者偏差影响,导致结果存在不确定性。虽然功能性磁共振成像(fMRI)和脑电图(EEG)等客观检测方法可以识别无行为反应患者的隐蔽意识并提示预后,但这些技术复杂、成本高昂,在昏迷或半昏迷患者中实施具有挑战性。因此,开发一种客观、便捷、适用于意识障碍患者的评估方法尤为重要。
在此背景下,自主神经系统(ANS)活动与意识障碍之间的关系日益受到关注。研究表明,大多数脑损伤患者表现出自主神经功能紊乱,如心率、血压和呼吸调节的不规律,这可能与皮质或皮质下损伤有关。中枢自主神经网络(CAN)模型描述了自主神经系统与中枢神经系统之间的双向交互,涉及前扣带回皮层、岛叶、杏仁核、下丘脑和脑干等区域,提示自主神经功能是评估意识障碍预后的重要指标。呼吸变异性(RV)作为自主神经系统活动的生理指标,反映了个体在静息状态下生理节律的稳定性。近年来,呼吸变异性已被证明与心血管疾病、睡眠障碍和精神压力等多种健康状况相关。然而,其在意识障碍患者中的应用和意义尚未得到充分研究。考虑到意识障碍患者可能存在自主神经功能障碍,且呼吸变异性测量方便、可实时动态监测、相对稳定,它有可能成为评估意识水平的客观指标。因此,本研究旨在探究呼吸变异性与意识水平之间的关联,识别可用于客观评估意识水平的呼吸变异性指标,从而为临床提供更精准、便捷的评估工具,并为意识障碍患者的预后评估和康复决策提供新视角。
二、 主要关键技术方法
本研究采用横断面观察性设计。研究人员招募了44名因缺血缺氧性或创伤性脑损伤导致的意识障碍患者(来自南京医科大学附属江宁医院重症康复病房)和44名健康对照者。通过惯性测量单元(IMU)传感器(BWT901C型号)置于胸骨剑突与肚脐之间,以10赫兹的采样频率采集三轴加速度信号,用以提取呼吸波形。对原始信号进行巴特沃斯滤波和移动平均处理后,提取呼吸变异性指标,包括标准偏差、变异系数、连续差值的均方根、三角指数和基于庞加莱图的关键指标。研究人员通过广义可加模型(GAM)控制年龄、性别、体温、心率和脉压差等混杂因素。采用Bootstrap重采样(1000次)和曼-惠特尼U检验进行组间比较,并使用错误发现率(FDR)方法进行多重比较校正。此外,研究构建了四种机器学习模型(随机森林、弹性网络、支持向量机和偏最小二乘回归)用于预测CRS-R评分,并利用随机森林和基于其变量选择的逻辑回归模型预测临床结局(分为“改善”与“未改善”)。模型性能通过均方误差(MSE)、决定系数(R2)、曲线下面积(AUC)等指标进行评估,并开发了基于Shiny框架的交互式预测界面。
三、 研究结果
3.1 基线特征分析
基线数据显示,虽然并非所有特征均有统计学差异,但两组在性别分布、年龄、血流动力学参数和体温上存在临床相关差异。为控制这些混杂因素对呼吸变异性的影响,后续分析采用了广义可加模型进行调整。
3.2 呼吸变异性(RV)分析
在调整混杂因素后,Bootstrap重采样分析显示,患者组与健康对照组在多个呼吸变异性指标上存在显著差异(所有p值<0.05)。具体而言,意识障碍组的吸呼比SD2显著更高,表明呼吸节律复杂性增加;而呼吸频率面积、以及呼气与呼吸频率的三角指数在对照组显著更低,反映了呼吸变异性降低。这些结果表明,意识障碍患者与健康个体的呼吸变异性特征存在显著差异,可能与自主神经功能紊乱有关。
3.3 CRS-R评分预测模型的构建
模型比较结果显示,随机森林模型表现最佳,其预测CRS-R评分的均方误差为3.76,决定系数2为0.76,显著优于其他模型。支持向量机的预测性能较差。此外,研究人员通过随机森林模型进行变量重要性分析,选取了最重要的特征变量,并开发了初步的交互式预测界面,允许用户输入关键呼吸变异性指标以实时预测患者的CRS-R评分。
3.4 临床结局预测模型的构建
在临床结局预测模型构建中,随机森林模型整体表现最优,其曲线下面积为0.74,灵敏度高达0.86,F1分数为0.67,在预测患者“改善”类别上具有较高的准确性和平衡性。基于评估结果,研究最终选择随机森林模型作为最优模型,并利用其识别的重要特征构建了临床结局预测模型。同时开发了交互式预测界面,临床医生可输入患者的关键呼吸变异性指标,实时获取患者改善的概率预测,为临床决策提供支持。
四、 讨论与结论总结
讨论部分总结:
研究发现,意识障碍患者呼吸变异性的改变,特别是吸气呼气比率SD2的增加和三角指数的降低,为脑干-自主神经整合功能紊乱提供了证据,这反映了意识障碍后剩余脑干回路的代偿性过度活跃以及自主神经控制僵化导致的生理适应性下降。这些呼吸变异性异常与已知的意识障碍自主神经功能障碍生物标志物(如心率变异性降低)相符。研究采用的统计方法(如广义可加模型、Bootstrap重采样、Mann-Whitney U检验、FDR校正)确保了分析的稳健性。机器学习模型比较表明,随机森林模型在处理多维呼吸变异性数据、预测CRS-R评分和临床结局方面均表现最佳,其高灵敏度对于临床早期发现改善机会尤为重要。然而,本研究也存在一定局限性,包括样本量相对较小、横断面设计无法推断因果关系、当前分析仅限于时域分析未能全面捕捉呼吸信号的多维特征等。未来研究方向包括:优化算法和界面以实现临床便捷应用;开展长期动态监测并整合更多生理和神经学数据;利用人工智能和深度学习提高分析精度;并将分析方法扩展到频域分析、分形分析和熵分析等多维度。
研究结论翻译:
本研究强调了呼吸变异性与意识障碍之间的密切关系。通过应用机器学习模型,特别是随机森林模型,研究人员证明了呼吸变异性在意识障碍患者预后评估中的潜在应用价值。这些发现不仅深化了我们对意识障碍生理机制的理解,也为临床治疗和监测提供了新的视角和指导。
本文发表于《CNS Neuroscience》。