《Frontiers in Digital Health》：Exploratory deep-learning-driven early risk stratification of significant neurological injury in pediatric extracorporeal membrane oxygenation
编辑推荐：
目的：开发并检验一种多模态深度学习框架，利用伴或不伴时间依赖性脑电图（EEG）谱特征的临床变量，预测儿童体外膜肺氧合（ECMO）患者发生显著神经损伤（SNI）的风险。方法：数据来自73例儿童ECMO患者。排除EEG启动后72小时内时序数据缺失或不连续者后，对4
目的：开发并检验一种多模态深度学习框架，利用伴或不伴时间依赖性脑电图（EEG）谱特征的临床变量，预测儿童体外膜肺氧合（ECMO）患者发生显著神经损伤（SNI）的风险。方法：数据来自73例儿童ECMO患者。排除EEG启动后72小时内时序数据缺失或不连续者后，对43例具备可用EEG时间序列数据的患者进行分析。神经损伤严重程度采用置管后神经影像评分（NIS）量化，SNI定义为NIS≥8。模型输入包括6个临床变量与6个EEG特征（左、右及双侧半球相对δ（1–4 Hz）与θ（4–8 Hz）功率）。降采样EEG功率信号被划分为多个30分钟窗口。构建了带模态专用编码器的深度学习融合框架用于SNI预测，随后进行基于SHapley加性解释（SHAP）的特征归因分析。结果：在患者层面，仅用临床变量的多层感知机（MLP）模型取得最高总体性能，曲线下面积（AUC）为74.29%。Wilcoxon符号秩检验显示临床仅用模型与融合模型性能无统计学显著差异。SHAP分析表明临床变量而非EEG输入是SNI预测的主要贡献因素。结论：使用6个临床输入的多层感知机神经网络在识别儿童ECMO患者SNI方面表现中等；整合EEG衍生谱特征未显著提升性能。但该结论具高度探索性，依赖于所选EEG输入，需在更大患者队列、恰当EEG特征选择及跨中心可泛化性验证下确认。
研究背景与动机
儿童体外膜肺氧合（ECMO）应用近二十年急剧上升，虽提升危重患儿存活率，但支持期间神经损伤带来显著发病与死亡负担，20%–30%患儿出现神经并发症，存活者中长期认知与神经发育缺陷率达10%–50%。现有研究多孤立评估临床预测因子，离散临床变量对异质性ECMO队列预测力不足；EEG标记（如波幅衰减、背景低电压、反应性消失、半球间不对称）虽被证与不良预后相关，但既往文献多为描述性，未将EEG时序与临床协变量统一建模。机器学习尤其是深度学习（DL）可刻画非线性关系并融合多模态，但已有ECMO神经风险模型或未用连续EEG时序，或仅单模态分析。该研究由Children's Medical Center Dallas/UT Southwestern团队发表于《Frontiers in Digital Health》，假设“临床+时间依赖性EEG谱特征的多模态DL框架优于单纯临床模型”，并以探索性设计检验之。
主要技术方法
研究人员回顾性纳入73例单中心儿童ECMO患者，按置管后神经影像评分（NIS）标注SNI（NIS≥8）与否，排除EEG启动72小时内数据不连续者得43例（13 SNI/30 No-SNI）。EEG按10–20系统21导联采集，取前72小时经Persyst 13处理为相对δ/θ功率（左右双侧共6特征），切为1800秒无缺失段；临床取年龄、性别、诊断、ECMO类型、体重、体表面积（BSA）6变量。构建DenseNet风格卷积（CNN）提取EEG时序–谱模式、MLP提取临床嵌入、拼接后经丢弃与全连接头做二分类；以7折患者级分层交叉验证×3随机种子共21次评估，二分类交叉熵为损失，Adam优化，以AUROC为主指标并结合SHAP（DeepSHAP）做特征归因，Wilcoxon符号秩检验比模型差异。
研究结果
4.1 三输入设定下模型性能：临床仅用MLP得AUROC 74.29%±25.66、准确率72.45%，优于KNN/LGBM/XGBoost/GB及所有EEG仅用模型（ShallowConvNet最高68.81%、所提EEG-CNN仅51.90%）；双输入中以EEGNet+MLP的73.45%最高，所提融合70.83%，均低于临床仅用MLP。配对Wilcoxon检验ΔAUROC=+0.035（临床减融合），p=0.79，无统计学意义，原假设未证实。
4.2 特征重要性分析：SHAP显示诊断贡献最大（心脏骤停+0.409、心源性休克+0.387推高SNI风险；脓毒症?0.120、呼吸衰竭?0.101、肺高压?0.086推低），次之年龄（366–1825天正向+0.014，31–365天负向?0.090）、BSA、性别、ECMO类型（VA正向+0.016，VV负向?0.100）；EEG六通道聚合SHAP绝对值远低于临床变量，证实EEG输入未主导预测。
讨论与结论翻译
讨论指出，常规ECMO照护中CT/MRI常在撤机后数周才做，床旁连续EEG（cEEG）依ELSO建议于置管12–24小时内启动，可实时反映脑灌注与急性损伤，但本探索性融合未显益于临床仅用模型。结论节译：使用六个临床输入的多层感知机神经网络在识别儿童ECMO患者显著神经损伤方面表现出中等性能；与EEG衍生的谱特征整合未显著增强性能。然而该结论具高度探索性且依赖于所选EEG输入，因而需在更大型患者队列中验证，配合恰当的EEG特征选择，并评估跨中心泛化能力。
