基于 EEG 数据的心脏骤停后昏迷患者神经功能预后预测：具有竞争风险的动态生存分析框架

基于摘要分析。研究面向心脏骤停后昏迷患者的神经功能预后预测，提出随 EEG 数据积累而更新预测的动态生存分析框架，支持不同患者具有不同长度的 EEG 时间序列。其主要研究对象是临床预后，而非 BCI 控制或意图解码。 核心机制是使用能够估计患者级累积发生函数的动态竞争风险模型，预测苏醒或死亡的事件发生时间，以及不同时间范围内的事件概率，例如未来 24、48 或 72 小时。框架区分三种首先发生的事件：苏醒、撤除生命维持治疗（原文将其视为随后必然死亡），以及其他原因死亡。数据采集结束时仍处于昏迷、无法确定首个事件的患者作为删失病例纳入分析。作者称，据其所知，这是首个利用 EEG 进行该类患者动态神经功能预后预测的框架；这一优先性声明尚未独立核实。 作者在包含 922 名心脏骤停后昏迷患者的真实数据集上比较了三种现有动态竞争风险生存分析模型。作者报告，仅使用患者静态特征和最近一小时 EEG 汇总统计量的经典 Fine and Gray 模型，其 accuracy 可达到使用更多 EEG 历史数据的 Dynamic-DeepHit 模型水平。摘要未提供具体分数、指标定义或数据划分，因而不能量化两者差异或据此判断跨中心泛化能力。 作者还报告，消融比较中，三竞争风险建模的准确性至少不低于两竞争风险或无竞争风险的标准生存分析设置，同时能够学习更丰富的结局信息。这一结果支持核对事件定义对模型输出的影响，但不意味着模型已经证明可改善临床决策。 复现与解读需进一步核对 EEG 特征提取、第三种比较模型、预测时点、训练与测试划分、删失处理、概率校准及统计不确定性。撤除生命维持治疗属于治疗决策相关事件，需核对其与预测使用场景的关系，不能将该事件概率直接解释为未经治疗干预时的自然死亡风险。实验协议、消融及统计信息尚未验证，材料不足以形成临床实践建议。