《MedComm》：An Intraoperative EEG Biomarker for Postoperative Delirium Predicting Based on Interpretable Deep Learning Framework
编辑推荐：
术后谵妄（postoperative delirium, POD）是老年外科手术患者中常见的并发症，显著恶化临床结局，然而现有的术中脑电图（electroencephalography, EEG）监测工具缺乏空间和时间特异性，因此需要可解释的生物标志物。研究人
术后谵妄（postoperative delirium, POD）是老年外科手术患者中常见的并发症，显著恶化临床结局，然而现有的术中脑电图（electroencephalography, EEG）监测工具缺乏空间和时间特异性，因此需要可解释的生物标志物。研究人员前瞻性分析了71例年龄≥60岁接受非心脏手术患者的32导联术中EEG，训练了一个可解释的时空卷积网络（spatiotemporal convolutional network, ST-CN），推导出最佳时间滤波器（best temporal filter, BTF），并通过区域特异性测试和独立外部验证评估了模型性能。ST-CN对POD的分类准确率为97.52%，ROC为0.996。单独使用BTF对POD的判别AUC为0.911，并且仅使用额叶EEG时准确率达到85.12%。它捕获了纺锤样包络中独特的2–12 Hz（δ–θ–α）振荡，该振荡在POD患者中的发生率显著更高（额叶区域为4.62 ± 0.15 vs. 3.88 ± 0.13波/分钟），并且中心频率和频谱功率存在差异。独立外部验证进一步证实了稳健的泛化能力，额叶EEG的准确率达到89.01%，AUC为0.950。该框架能够实现准确、可解释的POD风险分层，并识别出可重复的额叶EEG生物标志物，支持客观的术中早期预警和个体化围手术期护理。
术后谵妄（POD）是老年手术患者常见的急性围手术期神经认知并发症，可显著延长住院时间、增加术后死亡率和长期认知障碍风险。现有预测模型多基于临床量表和炎症标志物，或依赖传统EEG频带分析，缺乏时空特异性和可解释性。因此，需要可解释的深度学习框架整合术中EEG时空特征，以实现POD的早期预警。
研究人员前瞻性收集71例≥60岁非心脏手术患者的32导联术中EEG，构建可解释时空卷积网络（ST-CN），通过四折交叉验证获得最佳模型，准确率97.52%，ROC 0.996。通过滤波器贡献分析确定最佳时间滤波器（BTF），单独使用BTF区分POD的AUC为0.911，额叶EEG分类准确率85.12%。该滤波器捕获了纺锤样包络内2–12 Hz（δ–θ–α）振荡，POD组发生率显著增高（额叶4.62±0.15 vs. 3.88±0.13波/分钟）。独立外部验证（13例）中额叶EEG准确率89.01%，AUC 0.950。该框架提供了可解释的额叶EEG生物标志物，支持术中客观预警和个体化护理。研究发表于《MedComm》。
关键技术方法（研究队列来自西京医院）：①使用32导联EEG系统记录术中信号；②构建ST-CN，含空间卷积层（10个二维核）和时间卷积层（10个一维核），进行四折交叉验证；③采用掩蔽法分析各滤波器贡献，确定BTF；④使用随机森林、梯度提升机、多层感知器评估特征泛化性；⑤基于BTF
