使用深度学习自动追踪危重症患者的意识水平与谵妄

基于摘要分析。该研究针对 ICU 中过度或不足镇静及谵妄监测问题，提出结合卷积神经网络与循环神经网络的模型，利用额部 EEG 自动追踪意识水平和谵妄。主要贡献是探索以 EEG 支持持续脑状态监测，而非仅依赖间歇性的行为评估；研究对象是危重症监护中的临床脑状态，不是 BCI 控制任务。 方法与临床背景：摘要介绍了用于镇静水平评估的 Richmond Agitation-Sedation Scale（RASS）和用于识别谵妄征象的 Confusion Assessment Method for the ICU（CAM-ICU）。作者指出，危重症与择期手术之间的差异，以及镇静持续时间，使手术室 EEG 监测方案在 ICU 的应用面临挑战。模型结合卷积与循环神经网络，但具体输入窗口、网络结构、训练目标及两个任务的关联方式尚未验证，不能据摘要确定其是否采用多任务联合训练。 结果：作者报告，在允许预测与参考值相差不超过一个 RASS 等级的评估条件下，所有患者的意识水平预测准确率中位数为 70%；摘要给出的技术人员与护士一致率中位数为 59%，作者据此认为模型表现相当或更高。这一宽容等级误差的指标不能视为严格 RASS 分类准确率，两者比较的具体样本与计算协议仍需核对。谵妄识别方面，作者报告 AUC 为 0.80，在其所称的最优工作点上，敏感度为 69%、特异度为 83%；工作点选择方法及独立测试情况尚未验证。 证据边界与复现条件：摘要未提供患者数量、EEG 通道配置、预处理、行为评估与 EEG 的时间对齐方法、数据划分或外部验证信息。复现时需核对患者级划分、镇静药物及病情差异、参考标签获取方式、阈值选择和连续监测的评价协议；实验协议、消融及统计信息尚未验证。作者将结果解释为 ICU 中持续追踪意识水平与谵妄具有可行性，但摘要证据不足以确认跨患者、跨中心泛化或支持临床替代决策。