《Brain Research Bulletin》：Predicting Long-Term Prognosis in Comatose Patients through Brain Network Analysis under Name-Evoked Stimulation
編輯推薦：
本研究的核心目標在于解決神經重癥監護中昏迷患者預后評估困難這一臨床難題。研究團隊通過記錄昏迷患者在執行聽覺奇怪球命名任務時的腦電圖（EEG），并運用動態因果模型（DCM）分析其任務相關的腦網絡連接，發現了一個涉及額上回（SF）、頂上小葉（SP）和初級聽覺皮層（A1）的雙向連接網絡模型，該網絡強度與患者的長期功能恢復（通過GOS-E量表評估）顯著相關。這項研究揭示了基于DCM的生物標志物在評估昏迷患者功能預后方面的潛力，為早期、客觀的預后評估提供了新的神經生理學工具。
準確預測昏迷患者的長期恢復情況，是擺在神經重癥監護醫生面前的一道棘手的難題。患者意識水平的高低直接關乎治療方案的選擇和康復進程的引導，但傳統的評估方法往往難以捕捉大腦在功能連接層面的微妙變化。越來越多的證據表明，大腦不同區域間的“溝通”能力是維持意識的關鍵，也可能是意識恢復的線索。那么，能否通過解析昏迷患者大腦對特定刺激的反應，特別是對自我相關刺激（如自己的名字）的反應，來窺探其大腦網絡的運作狀況，并以此為窗口預測其未來的康復潛力呢？
為了回答這個問題，中國電子科技大學生命科學與技術學院的研究團隊在《Brain Research Bulletin》發表了一項研究，他們巧妙地結合了腦電圖（EEG）與一種名為動態因果模型（DCM）的計算分析方法，試圖揭示昏迷患者聽覺自我處理背后的腦網絡機制，并探索這些網絡連接強度與長期功能恢復之間的關系。
研究人員主要運用了以下幾項關鍵技術方法：首先，他們對59名符合條件的急性昏迷患者（病因包括創傷性腦損傷和心臟驟停）進行了床旁EEG采集，使用的實驗范式是改良的聽覺奇怪球任務，其中包含患者自己的名字和其他常見名字作為刺激。其次，他們對EEG數據進行了預處理，并提取任務相關響應。核心的分析方法是基于預設腦區（雙側初級聽覺皮層A1、頂上小葉SP、額上回SF）的等效電流偶極子模型，利用DCM框架對128個候選連接模型進行貝葉斯模型選擇。最后，他們構建線性回歸模型，利用DCM導出的連接參數來預測患者在治療后1個月、3個月和6個月時的格拉斯哥結局擴展量表（GOS-E）得分。
3.1. 貝葉斯模型選擇
研究團隊利用DCM深入分析了昏迷患者的任務EEG數據。通過貝葉斯模型選擇，他們從128個候選模型中識別出名為“f2_b4_i3”的模型為最佳擬合模型，其自由能（F= -1924）和解釋方差（Var= 76）均表現最優。該模型具有前向（f2）、反向（b4）和內在（i3）連接模塊。該模型顯示了一個雙向網絡，包括A1與SP之間、SP與SF之間的前向連接，以及SF與SP之間、SP與A1之間的反向連接。
3.2. DCM參數檢驗
為了評估這些連接參數與臨床預后的關系，研究人員根據GOS-E評分的變化將患者分為“有反應者”和“無反應者”。結果顯示，在治療后1個月，有反應者和無反應者在多個DCM連接參數上存在顯著差異，包括從右SF到右SP的外在連接差異（DIF right SF - right SP）、左A1的內在連接（IN left A1）、左SP深層錐體細胞的固有連接強度（G3-4）、右SP星狀細胞的固有連接強度（G4-1）以及左A1淺層錐體細胞的固有連接強度（G5-3）。在3個月和6個月的隨訪中，參數G3-4、G4-1和G5-3的差異仍然顯著。
3.3. 預后量表相關性及長期結果預測
皮爾遜相關分析進一步證實了DCM參數與臨床結局的關聯。在所有三個時間點（1、3、6個月），參數G4-1（右SP星狀細胞固有連接）均與較好的GOS-E評分呈顯著正相關（例如，6個月：r= 0.422， p= 0.001）。相反，參數G3-4（左SP深層錐體細胞固有連接）則與結局評分呈一致的負相關（例如，6個月：r= -0.314， p= 0.015）。這兩個參數與從1個月到6個月的GOS-E改善程度也顯著相關。
基于這些發現，研究團隊選取G3-4和G4-1作為預測特征，建立了預后模型。該模型成功地預測了患者1個月、3個月和6個月的GOS-E評分，預測值與實際觀測值之間存在顯著相關性（例如，6個月：r= 0.406， p= 0.001）。這證實了基于DCM的連接指標在預測長期功能結局方面的潛力。
本研究的核心結論和意義在于，它利用DCM識別并驗證了一個支持昏迷患者處理姓名喚起刺激的雙向腦網絡架構。該網絡涉及額上回（SF）、頂上小葉（SP）和初級聽覺皮層（A1）之間的雙向互動。從預測編碼的角度看，這個網絡可以被解釋為一種層級式的預測誤差最小化過程：前向連接（從A1經SP到SF）傳遞自下而上的預測誤差（如聽到自己名字違反預期），而SF則通過反向連接（經SP到A1）發起自上而下的調節，以更新內部模型并重新分配注意資源。SP內部的內在連接調制則可能反映了對預測誤差和注意資源的局部增益優化。即使在急性昏迷狀態下，這個前額-頂葉網絡的穩健連接性得以保留，強烈暗示了殘余的認知功能。
更重要的是，研究發現了兩個關鍵的DCM參數作為潛在的預后生物標志物：G3-4（左SP深層錐體細胞固有連接）和G4-1（右SP星狀細胞固有連接）。G4-1與良好的預后呈正相關，可能反映了維持的皮層反應性和適應性網絡完整性，有利于感覺處理和運動協調的恢復。而G3-4與較差的預后呈負相關，可能反映了損傷后的適應不良可塑性或代償性過度興奮，阻礙了功能網絡重組和意識恢復。基于這兩個參數建立的模型，能夠有效預測患者長達6個月的功能恢復情況。
這項研究的意義重大，它將計算神經科學的前沿方法——動態因果模型（DCM）應用于解決嚴峻的臨床預后難題，為昏迷患者的早期、客觀預后評估提供了新的、基于腦網絡機制的生物標志物。在臨床實踐中，這種方法未來有望整合到神經重癥監護的多模態評估方案中，作為傳統臨床量表和結構成像的補充工具，幫助醫生更早識別具有康復潛力的患者，從而指導個性化康復計劃的制定和家屬溝通。盡管研究存在單中心設計、樣本量有限等局限性，但它為理解昏迷狀態下的大腦網絡功能打開了一扇新的窗口，并朝著實現精準神經預后邁出了堅實的一步。
