Diagnostyka zaburzeń świadomości przy użyciu nieliniowych cech pochodzących z topograficznych map EEG za pomocą uczenia głębokiego

Słuchając oznak świadomości

Kiedy bliska osoba leży nieprzytomna po ciężkim urazie mózgu, rodziny i lekarze stoją przed bolesnym pytaniem: czy w środku pozostała jakakolwiek świadomość i jeśli tak, to w jakim stopniu? Tradycyjne badania przy łóżku pacjenta mogą przeoczyć subtelne przejawy świadomości, co prowadzi do błędnych diagnoz wpływających na opiekę, rehabilitację, a nawet decyzje dotyczące końca życia. W tym badaniu zbadano nowe podejście do „nasłuchiwania” uszkodzonego mózgu, wykorzystujące zapisy EEG, matematyczną miarę złożoności sygnału oraz algorytmy uczenia głębokiego, aby lepiej rozróżnić dwa główne stany: stan wegetatywny i stan minimalnej świadomości.

Dwa bardzo różne stany braku reakcji

Po poważnym urazie mózgu niektórzy pacjenci otwierają oczy, lecz nie wykazują wyraźnych oznak świadomości; opisuje się ich jako będących w stanie wegetatywnym, zwanym także zespołem nieodpowiedziowego czuwania (VS/UWS). Inni mogą od czasu do czasu wykonywać proste polecenia, śledzić obiekty wzrokiem lub reagować znacząco na głos czy dotyk; takich pacjentów określa się jako będących w stanie minimalnej świadomości (MCS). Chociaż zachowania te na pierwszy rzut oka wyglądają podobnie, szanse na odzyskanie funkcji i rodzaj potrzebnej rehabilitacji mogą być bardzo różne. Nawet zespoły kliniczne z doświadczeniem błędnie klasyfikują do 40 procent tych pacjentów, gdy opierają się głównie na obserwacji przy łóżku. Autorzy postanowili wesprzeć klinicystów obiektywnym narzędziem opartym na aktywności mózgu, które mogłoby działać przy łóżku pacjenta i nie zależałoby od zdolności poruszania się lub mówienia.

Pomiary złożoności mózgu przy dźwięku i ciszy

Badacze przebadali 104 dorosłych z zaburzeniami świadomości, którzy byli starannie oceniani za pomocą ustandaryzowanej skali odzyskiwania po śpiączce. U każdego pacjenta rejestrowano aktywność mózgu przy użyciu 19-kanałowego systemu EEG podczas spoczynku oraz ponownie podczas odsłuchiwania ulubionej energetycznej muzyki, wybranej na podstawie rozmów z rodziną. Zamiast koncentrować się na tradycyjnych falach mózgowych, zespół obliczył miarę nieliniową zwaną przybliżoną entropią, która uchwyca, jak złożony i nieprzewidywalny jest sygnał EEG w czasie. W prostych słowach: wyższa entropia odzwierciedla bogatszą, bardziej zróżnicowaną aktywność mózgu, co wiązano z przetwarzaniem świadomym. Wartości entropii z każdego elektrody skórnej zostały przekształcone w kolorowe mapy topograficzne, tworząc rodzaj „portretu złożoności” mózgu w warunkach spoczynku i podczas odsłuchu muzyki.

Nauczanie sieci neuronowej odczytywania map

Aby przekształcić te mapy w pomoc diagnostyczną, zespół wytrenował splotową sieć neuronową (CNN) — rodzaj systemu uczenia głębokiego często stosowanego w rozpoznawaniu obrazów — do rozróżniania VS/UWS i MCS. Dla każdego pacjenta wiele 1-sekundowych segmentów EEG zostało przekształconych w mapy entropii i złożonych w obrazy, które służyły jako dane wejściowe do CNN. Równolegle autorzy zbudowali dwa bardziej tradycyjne modele uczenia maszynowego: maszynę wektorów nośnych oraz uogólnioną sieć regresyjną, używając wybranych cech numerycznych z EEG. Następnie porównali, jak dobrze każde podejście opisywało niezależną grupę testową pacjentów, których prawdziwa diagnoza była znana z dokładnej oceny klinicznej.

Wyraźne różnice w sygnałach mózgowych i lepsza dokładność

Badanie wykazało, że pacjenci w stanie minimalnej świadomości mieli wyższą entropię w kilku obszarach mózgu niż osoby w stanie wegetatywnym, szczególnie po lewej stronie czaszki i podczas odsłuchiwania preferowanej muzyki. U pacjentów MCS wyższe wartości entropii wiązały się istotnie z wyższymi wynikami w skali odzyskiwania po śpiączce, co sugeruje, że miara ta odzwierciedla rzeczywiste różnice w świadomości. Jeśli chodzi o automatyczną klasyfikację, CNN wypadła najlepiej: poprawnie rozróżniała obie grupy w około 90 procent przypadków i osiągnęła wysoką miarę podsumowującą dokładność (AUC 0,90). Maszyna wektorów nośnych poradziła sobie całkiem dobrze, podczas gdy uogólniona sieć regresyjna pozostała w tyle. Wyniki te razem wskazują, że wprowadzanie map mózgu przypominających obrazy do modelu uczenia głębokiego może wychwycić subtelne wzory przestrzenne, które prostsze metody pomijają.

Co to może znaczyć dla pacjentów i rodzin

Dla osób niebędących specjalistami kluczowe wnioski są takie: „złożoność sygnału” mózgu w spoczynku i podczas słuchania znaczącej muzyki niesie cenne wskazówki o ukrytej świadomości. Przekształcając te wskazówki w łatwe do interpretacji mapy i pozwalając sieci neuronowej uczyć się na ich podstawie, badacze stworzyli narzędzie, które może pomóc odróżnić pacjentów naprawdę nieświadomych od tych, którzy zachowali kruchą, lecz realną formę świadomości. Choć prace wymagają potwierdzenia na większych i bardziej zróżnicowanych grupach pacjentów, wskazują na przyszłość, w której rutynowe zapisy EEG, połączone z przemyślanie dobranymi dźwiękami i nowoczesną sztuczną inteligencją, oferują bardziej wiarygodny głos dla tych, którzy nie mogą mówić za siebie.

Cytowanie: 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

Słowa kluczowe: zaburzenia świadomości, EEG, uczenie głębokie, stan wegetatywny, stan minimalnej świadomości