新生儿缺氧缺血性脑病中心-脑耦合的定量评估

《Frontiers in Network Physiology》：Quantitative assessment of heart-brain coupling in neonates with hypoxic-ischemic encephalopathy

　　

缺氧缺血性脑病（HIE）仍是新生儿重症监护中的关键挑战，需要精准的床旁监测以降低长期神经系统发病率。虽然对脑与心血管活动的单独评估是标准做法，但这些系统间的动态交互具有尚未挖掘的诊断价值。本试点研究使用同步长时程脑电图（EEG）与心电图（ECG）记录研究神经-心脏耦合，核心亚组为61名按临床HIE严重度分类的新生儿（Sarnat 1期 vs. 2期）。研究人员采用跨模态分析评估振幅整合EEG（aEEG）包络与心率变异性（HRV）指标间的关系。结果显示，神经-心脏交互受HIE严重度与皮质电背景模式显著调制：具有健康连续正常电压（CNV）模式的新生儿表现出稳健的神经-心脏同步（Spearman’s r=0.22），而在异常EEG背景患者中降低约60%（r=0.09，p=0.015）。为保障转化稳健性，机器学习模型在多样参数网格上评估；孤立超参数配置可得峰值性能，如联合心周期与频谱ECG特征配合XGBoost总体准确率90.22%，但特征空间具强无偏基线稳定性，如EEG逻辑回归平均F1=77.27%、ECG的XGBoost平均F1=72.73%。结果表明，多模态耦合指标在自动化HIE分级的试点场景中可提供增强的生理学洞察。

研究背景方面，缺氧缺血性脑病（HIE）是围产期系统性缺氧与脑血流减少所致新生儿死亡和长期神经损害的重要原因。Sarnat-Sarnat分期自1976年起是脑病严重度分类金标准：1期为轻度，表现过度警觉、易激惹与交感激活；2期为中度，出现嗜睡、原始反射抑制和惊厥；3期为重度，呈昏迷、反射消失和呼吸衰竭。早期区分1期与2期极具临床价值，因为治疗性低温等神经保护干预存在时间窗，但两者临床表征常重叠，镇静或低温又会掩盖体征。床旁振幅整合EEG（aEEG）对轻中度差异视觉判读不可靠；心率变异性（HRV）反映自主神经功能障碍却无法单独刻画脑损伤严重度。已有研究证明新生儿EEG与ECG/HRV存在耦合：惊厥时瞬时心率与EEG波幅相关，HRV的SDNN、TINN、低频（LF）和高频（HF）功率随EEG背景恶化下降（|r|≈0.48–0.67），HRV预测EEG严重度曲线下面积（AUC）≈0.84。网络生理学（Network Physiology）将机体视为相互作用脏器系统网络，脑-心轴耦合可反映生理网络完整性。因此，研究人员在《Frontiers in Network Physiology》开展本研究，旨在用同步EEG+ECG量化Sarnat 1期与2期新生儿生物电脑活动及心-脑耦合特征，并构建预测模型辅助自动分级。

关键技术方法上，队列来自乌克兰切尔诺夫策布科维纳国立医科大学附属市立临床医院新生儿重症监护室（NICU）。研究人员对同步EEG（F3-P3、F4-P4）与ECG（C3-C4）做连续信号处理：EEG重采样至100 Hz、50 Hz陷波、500 μV异常值零填充，按Zhang和Ding算法生成aEEG包络并取15–300 s滑动窗的分位数；ECG用NeuroKit2清洗、BioSPPy检R峰，pyHRV提取时域/频域/非线性HRV，再从心周期提取P-QRS-T形态学特征。特征池共774个，含aEEG/qEEG 240个、HRV 132个、ECG统计频谱130个、心周期形态272个。建模在61名同步遥测独特患者（47名1期、14名2期，孕周34–41周）上用逻辑回归、随机森林、XGBoost等多参数网格训练，并以5 min滑窗聚合耦合指标、患者级平均消除记录时长偏倚。

研究结果如下。

1.1 Neonatal seizures and HR changes：研究人员综述新生儿惊厥尤其HIE相关惊厥常伴自主神经改变；Greene等10名足月儿中加ECG使惊厥检测率约98%（单EEG约81%），Doyle等在12名新生儿中证实惊厥时瞬时心率变化与EEG均方根（RMS）波幅显著相关（p<0.05），Pfurtscheller等发现早产儿慢波爆发与心率加速耦合。结论为局灶性脑电事件与自主心脏反应存在微尺度时间同步，慢波爆发?心率加速、EEG RMS?RR间期下降是可量化特征对。

1.2 EEG vs. HRV in HIE：研究人员总结Goulding等46名HIE儿中SDNN（r≈?0.62）、TINN（r≈?0.65）、LF（r≈?0.67）、HF（r≈?0.60）与EEG严重度负相关；Pavel等120名婴儿用HRV时间/频率/熵模型预测EEG分级AUC≈0.84，加临床协变量达≈0.90。结论为稳态HRV指标系统随皮质背景退化而下降，HRV可反映EEG基线与脑病严重度。

1.3 Developmental and sleep-state coupling：研究人员引Govindan等68名早产儿研究，安静睡眠（QS）δ带功率高于活跃睡眠（AS）（p<0.05），QS中心率变程更低，心率范围分睡眠态AUC≈0.88。结论为发育与睡眠状态中心电节律与自主神经状态共变，δ功率↑对应HR变程↓。

1.4 Summary of correlated features：研究人员汇总表1所列EEG–ECG相关特征，指出急性监测聚焦局部脑事件-自主心脏响应时间同步，稳态宏观动态聚焦HRV与背景退化/睡眠/脑病分级协变，多尺度熵等非线框架反映神经-心脏网络结构改变，从而为多模态特征空间提供生理学依据。

2.1 Data description：研究人员说明数据经伦理审批与家长知情同意，总库180名新生儿（118名1期、62名2期）有289段EEG；同步EEG+ECG核心亚组61名独特患者（47名1期、14名2期），记录同步采样200 Hz，孕周34–41周，男童占比1期55.3%、2期85.7%；背景模式用CNV、DNV、爆发抑制（BS）、连续低电压（CLV），Flat Trace并入CLV；因ECG数据中85%为CNV，建模仅取1/2期。结论为队列在近足月窗口内天然控制胎龄混杂，但少数类样本小、性别作非分层协变量。

2.2 Signal preprocessing：研究人员对EEG做通道互相关时移对齐、重采样、陷波与500 μV零填；aEEG用0.5–15 Hz带通、Hilbert包络、半对数压缩并取10^th/50^th/90^th分位；ECG用0.5 Hz高通与50 Hz陷波，BioSPPy检R峰，NeuroKit2分心周期与标P/Q/R/S/T。结论为架构级鲁棒处理而非激进删伪迹，可保留真实宏观生理动态。

2.3 Feature extraction：研究人员从aEEG/qEEG取统计矩、谱比、Hjorth参数（Activity/Mobility/Complexity）、置换熵、谱熵、爆发率（BR）与爆发间隔（IBI）；HRV取pyHRV标准38项加原始/插值心节律图（CRG）自定义94项（小波db8、ULF/VLF/LF/HF/VHF）；ECG取噪声频带能量与P-QRS-T形态对称度S_QRS=(R_peak?P_offset)/(R_offset?P_offset)。结论为774维特征覆盖宏观背景与微尺度形态，支撑跨模态建模。

讨论与结论部分，研究人员指出：脑-心耦合强度随HIE严重度与EEG背景改变，CNV健康背景具稳健同步、异常背景同步约降60%；孤立机器学习配置虽有90.22%峰值准确率，但特征空间具无偏基线稳定（EEG逻辑回归平均F₁=77.27%、ECG XGBoost平均F₁=72.73%）。多模态神经-心脏耦合指标比单模态aEEG或HRV提供更完整生理网络信息，可辅助Sarnat 1期与2期客观分辨，支持治疗性低温等时效决策。研究意义在于将网络生理学框架引入新生儿HIE床旁监测，证明同步EEG+ECG耦合可作为自动化脑病分级的生理学标志物；作为试点，样本量与2期患者较少限制外推，但为特征选择与前瞻性多中心验证奠定基础。

论文结论可译为：本试点研究表明，神经-心脏交互受HIE严重度与电皮质背景模式显著调制；健康CNV模式新生儿具稳健神经-心脏同步（中位数Spearman’s r=0.22），异常EEG背景者降低约60%（r=0.09，p=0.015）。机器学习在多样参数网格上显示特征空间具强无偏基线稳定性，孤立配置可达90.22%准确率。多模态耦合指标为试点场景下自动化HIE分级提供了增强的生理学洞察。