Diagnose von Bewusstseinsstörungen mittels nichtlinearer, aus EEG-Topografiekarten gewonnener Merkmale durch Deep Learning

Auf Zeichen von Bewusstsein hören

Wenn ein Angehöriger nach einer schweren Hirnverletzung regungslos daliegt, stehen Familien und Ärzte vor einer herzzerreißenden Frage: Ist noch irgendeine Form von Bewusstsein vorhanden — und wenn ja, wie ausgeprägt ist sie? Herkömmliche Untersuchungen am Krankenbett können subtile Hinweise auf Bewusstsein übersehen, was zu Fehldiagnosen führt, die Versorgung, Rehabilitation und sogar Entscheidungen am Lebensende beeinflussen. Diese Studie untersucht eine neue Möglichkeit, dem verletzten Gehirn „zuzuhören“: EEG-Aufzeichnungen, eine mathematische Messgröße für Signalkomplexität und Deep-Learning-Algorithmen sollen helfen, zwei zentrale Zustände besser zu unterscheiden: den Wachkoma-Zustand und den minimalen Bewusstseinszustand.

Zwei sehr verschiedene unresponsive Zustände

Nach schweren Hirnverletzungen öffnen manche Patienten die Augen, zeigen aber keine klaren Anzeichen von Bewusstsein; man bezeichnet sie als im Wachkoma bzw. als unresponsive wakefulness syndrome (VS/UWS). Andere folgen gelegentlich einfachen Aufforderungen, verfolgen Objekte mit den Augen oder reagieren sinnvoll auf Stimmen oder Berührung; diese Patienten gelten als im minimalen Bewusstseinszustand (MCS). Obwohl die Verhaltensweisen auf den ersten Blick ähnlich wirken, unterscheiden sich die Aussichten auf Erholung und die erforderliche Rehabilitation deutlich. Dennoch fehlklassifizieren selbst erfahrene klinische Teams bis zu 40 Prozent dieser Patienten, wenn sie sich hauptsächlich auf die Beobachtung am Krankenbett stützen. Die Autoren wollten Kliniker mit einem objektiven, gehirnbasierten Werkzeug unterstützen, das am Krankenbett einsetzbar ist und nicht von der Bewegungs- oder Sprachfähigkeit des Patienten abhängt.

Gehirnkomplexität messen mit Klang und Stille

Die Forscher untersuchten 104 Erwachsene mit Bewusstseinsstörungen, die sorgfältig mit einer standardisierten Coma-Recovery-Skala bewertet wurden. Jeder Patient wurde mit einem 19-Kanal-EEG-System aufgezeichnet, einmal in Ruhe und einmal beim Anhören seiner bevorzugten beschwingten Musik, die anhand von Familienangaben ausgewählt wurde. Statt sich auf traditionelle Gehirnwellen zu konzentrieren, berechnete das Team ein nichtlineares Maß namens Approximate Entropy, das erfasst, wie komplex und unvorhersehbar das EEG-Signal über die Zeit ist. Einfach ausgedrückt spiegelt höhere Entropie reichhaltigere, vielfältigere Hirnaktivität wider, die mit bewusster Verarbeitung in Verbindung gebracht wurde. Die Entropiewerte jedes Elektrodenstandorts wurden in farbige Topografiekarten verwandelt und ergaben so eine Art „Komplexitäts-Porträt“ des Gehirns in Ruhe- und Musikbedingungen.

Ein neuronales Netzwerk das Karten lesen lehren

Um diese Karten in ein diagnostisches Hilfsmittel zu verwandeln, trainierte das Team ein Convolutional Neural Network (CNN) — eine Form des Deep Learning, die oft in der Bilderkennung eingesetzt wird — um VS/UWS von MCS zu unterscheiden. Für jeden Patienten wurden multiple 1‑Sekunden-EEG-Segmente in Entropiekarten umgewandelt und zu Bildern zusammengesetzt, die als Eingabe für das CNN dienten. Parallel dazu erstellten die Autoren zwei traditionellere Machine‑Learning‑Modelle: eine Support Vector Machine und ein generalized regression neural network, basierend auf ausgewählten numerischen EEG-Merkmalen. Anschließend verglichen sie, wie gut jeder Ansatz eine unabhängige Testgruppe von Patienten klassifizierte, deren wahre Diagnose durch sorgfältige klinische Beurteilung bekannt war.

Deutliche Unterschiede in Hirnsignalen und höhere Genauigkeit

Die Studie zeigte, dass Patienten im minimalen Bewusstseinszustand in mehreren Hirnregionen höhere Entropiewerte aufwiesen als solche im Wachkoma, insbesondere über der linken Kopfseite und während der bevorzugten Musik. Bei MCS-Patienten standen höhere Entropiewerte in sinnvollem Zusammenhang mit höheren Werten auf der Coma-Recovery-Skala, was darauf hindeutet, dass das Maß echte Unterschiede im Bewusstseinsgrad erfasst. Bei der automatischen Klassifikation schnitt das CNN am besten ab: Es unterschied die beiden Gruppen in etwa 90 Prozent der Fälle korrekt und erzielte eine hohe zusammenfassende Genauigkeitskennzahl (AUC 0,90). Die Support Vector Machine erzielte brauchbare Ergebnisse, während das generalized regression network zurückblieb. Zusammengenommen deuten diese Ergebnisse darauf hin, dass das Einspeisen bildähnlicher Hirnkarten in ein Deep‑Learning‑Modell subtile räumliche Muster erfassen kann, die einfachere Methoden übersehen.

Was das für Patienten und Familien bedeuten könnte

Für Nicht‑Fachleute lautet die zentrale Schlussfolgerung, dass die „Signalkomplexität“ des Gehirns in Ruhe und beim Hören bedeutungsvoller Musik wertvolle Hinweise auf verborgenes Bewusstsein liefert. Indem diese Hinweise in leicht interpretierbare Karten überführt und einem neuronalen Netzwerk zum Lernen gegeben werden, schufen die Forscher ein Werkzeug, das helfen kann, Patienten, die tatsächlich nicht bewusst sind, von solchen zu unterscheiden, die eine fragile, aber reale Form von Bewusstsein behalten. Zwar muss die Arbeit in größeren und diverseren Patientengruppen bestätigt werden, doch sie weist in Richtung einer Zukunft, in der routinemäßige EEG‑Aufzeichnungen in Kombination mit gezielt ausgewählten Klängen und moderner künstlicher Intelligenz eine verlässlichere Stimme für jene bieten, die nicht für sich selbst sprechen können.

Zitation: Qu, S., Wu, X., Huang, L. et al. Diagnosis of disorders of consciousness using nonlinear feature derived EEG topographic maps via deep learning. Sci Rep 16, 7417 (2026). https://doi.org/10.1038/s41598-026-36733-6

Schlüsselwörter: Bewusstseinsstörungen, EEG, Deep Learning, Wachkoma, minimal bewusstseinszustand