Diagnose van bewustzijnsstoornissen met behulp van niet-lineaire, afgeleide EEG-topografische kaarten via deep learning

Luisteren naar tekenen van bewustzijn

Wanneer een dierbare na een ernstige hersenbeschadiging ongevoelig blijft, staan families en artsen voor een hartverscheurende vraag: is er nog enige bewustzijn aanwezig en zo ja, hoeveel? Traditionele bedzijdeonderzoeken kunnen subtiele tekenen van bewustzijn missen, wat leidt tot verkeerde diagnoses die de zorg, revalidatie en zelfs beslissingen rond het einde van het leven beïnvloeden. Deze studie verkent een nieuwe manier om naar het beschadigde brein te "luisteren" met behulp van EEG-opnamen, een wiskundige maat voor signaalcomplexiteit en deep-learning-algoritmen om beter te onderscheiden tussen twee belangrijke toestanden: de vegetatieve toestand en de minimaal bewuste toestand.

Twee heel verschillende ongevoelige toestanden

Na een ernstige hersenbeschadiging openen sommige patiënten wel hun ogen maar vertonen ze geen duidelijke tekenen van bewustzijn; zij worden beschreven als in een vegetatieve toestand, ook wel unresponsive wakefulness syndrome (VS/UWS) genoemd. Anderen volgen af en toe eenvoudige opdrachten, volgen voorwerpen met hun blik of reageren betekenisvol op stemmen of aanraking; deze patiënten worden als minimaal bewust (MCS) aangeduid. Hoewel het gedrag op het eerste gezicht vergelijkbaar lijkt, kunnen de herstelkansen en de benodigde revalidatie sterk verschillen. Toch classificeren zelfs deskundige klinische teams tot wel 40 procent van deze patiënten fout wanneer zij voornamelijk op bedzijdeobservatie vertrouwen. De auteurs wilden clinici ondersteunen met een objectief, op het brein gebaseerd hulpmiddel dat aan het bed kan worden ingezet en niet afhangt van het vermogen van de patiënt om te bewegen of te spreken.

Hersenscomplexiteit meten met geluid en stilte

De onderzoekers bestudeerden 104 volwassenen met bewustzijnsstoornissen die zorgvuldig werden beoordeeld met een gestandaardiseerde coma-recoveryschaal. Van elke patiënt werd de hersenactiviteit opgenomen met een 19-kanaals EEG-systeem tijdens rustig rusten en opnieuw terwijl ze naar hun favoriete opzwepende muziek luisterden, gekozen op basis van gesprekken met familie. In plaats van te focussen op traditionele hersengolven berekende het team een niet-lineaire maat genaamd approximate entropy, die vastlegt hoe complex en onvoorspelbaar het EEG-signaal in de tijd is. Simpel gezegd weerspiegelt een hogere entropy rijkere, meer gevarieerde hersenactiviteit, wat in verband is gebracht met bewuste verwerking. De entropy-waarden van elk elektrodepunt op de schedel werden omgezet in kleurrijke topografische kaarten, waarmee een soort "complexiteitsportrait" van het brein ontstond voor zowel rust- als muziekcondities.

Een neurale netwerk leren de kaarten te lezen

Om deze kaarten in te zetten als diagnostisch hulpmiddel trainde het team een convolutioneel neuraal netwerk (CNN) — een type deep-learning-systeem dat veel wordt gebruikt bij beeldherkenning — om VS/UWS te onderscheiden van MCS. Voor elke patiënt werden meerdere EEG-segmenten van 1 seconde omgezet in entropy-kaarten en samengevoegd tot afbeeldingen die als input voor het CNN dienden. Parallel bouwden de auteurs twee meer traditionele machine-learningmodellen: een support vector machine en een generalized regression neural network, waarbij geselecteerde numerieke kenmerken uit het EEG werden gebruikt. Vervolgens vergeleken ze hoe goed elke aanpak een onafhankelijke testgroep van patiënten labelde waarvan de werkelijke diagnose bekend was uit zorgvuldige klinische beoordeling.

Duidelijke verschillen in hersensignalen en betere nauwkeurigheid

De studie toonde aan dat patiënten in een minimaal bewuste toestand hogere entropy vertoonden in meerdere hersengebieden dan degenen in een vegetatieve toestand, vooral aan de linkerzijde van het hoofd en tijdens favoriete muziek. Bij MCS-patiënten waren hogere entropy-waarden betekenisvol gekoppeld aan hogere scores op de coma-recoveryschaal, wat suggereert dat de maat echte verschillen in bewustzijn volgt. Wat automatische classificatie betreft presteerde het CNN het beste: het onderscheidde de twee groepen in ongeveer 90 procent van de gevallen correct en behaalde een hoog samenvattend nauwkeurigheidsmaat (AUC 0,90). De support vector machine deed het redelijk goed, terwijl het generalized regression network achterbleef. Samen wijzen deze resultaten erop dat het voeren van beeldachtige hersenkaarten in een deep-learningmodel subtiele ruimtelijke patronen kan vastleggen die simpelere methoden missen.

Wat dit kan betekenen voor patiënten en families

Voor niet-specialisten is de kernconclusie dat de "signaalcomplexiteit" van het brein tijdens rust en tijdens het luisteren naar betekenisvolle muziek waardevolle aanwijzingen bevat over verborgen bewustzijn. Door deze aanwijzingen om te zetten in makkelijk te interpreteren kaarten en een neurale netwerk ervan te laten leren, creëerden de onderzoekers een hulpmiddel dat kan helpen onderscheid te maken tussen patiënten die werkelijk niet bewust zijn en degenen die een kwetsbare maar reële vorm van bewustzijn behouden. Hoewel het werk bevestigd moet worden in grotere en meer diverse patiëntengroepen, wijst het op een toekomst waarin routinematige EEG-opnamen, gecombineerd met zorgvuldig gekozen geluiden en moderne kunstmatige intelligentie, een betrouwbaardere stem bieden voor wie niet voor zichzelf kan spreken.

Bronvermelding: 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

Trefwoorden: bewustzijnsstoornissen, EEG, deep learning, vegetatieve toestand, minimaal bewustzijnstoestand