用于心跳骤停患者早期神经结局预测的多模态对比性预后框架

为何心跳骤停后的早期脑功能结局很重要

在突发心脏骤停后，许多人经抢救复苏但仍处于昏迷状态，使家庭成员和临床医生在脑功能能否恢复的问题上陷入痛苦的不确定之中。现行指南通常建议至少推迟三天或更长时间才给出明确预测，尽管关于治疗强度、资源使用和对家庭的预期等关键决策往往需要更早做出。该研究考察了人工智能是否能安全地利用复苏后最初数小时内已有的信息，提供对可能的脑功能恢复更清晰、更早的洞见。

问题的深入解析

突发心脏骤停每年影响美国成千上万的人，幸存并获得有意义脑功能恢复的情况仍然罕见。恢复血流后，许多病人因脑部缺氧而继续处于昏迷状态。医生可以检查瞳孔和运动反应、观察脑电波、测量血液标志物并审查脑部影像，但单一工具各有局限。镇静、设备限制以及检测结果之间的冲突都增加了不确定性。正因为这些挑战，许多医院在至少72小时后才给出明确预后，造成了在制定早期治疗方案时的空白期。

将影像与床边数据合并的新方法

为了解决这一空白，研究人员构建了名为CLAIR的多模态AI系统，将脑部CT影像与常规临床信息结合起来，预测患者在出院时的脑功能分级（Cerebral Performance Category，CPC）。CLAIR并非只看单张图像或单个数字；相反，它接收来自三视角的头部CT重建图像以及诸如年龄、恢复自主心跳所用时间、体温、实验室指标和可用的脑电检查结果等数据。一种专门的架构使得图像特征与临床特征能够相互“注意”，从而在完整的临床背景中解读影像所反映的意义。

研究如何测试该模型

研究团队回顾性分析了2020年至2022年间在单一医疗中心因心脏骤停并至少接受一次头颅CT检查的208例成人患者。为专注于神经学结局，因非脑部原因撤除生命维持的患者被排除在外。共收集了306例CT扫描，但关键在于，CLAIR的主要测试仅使用在骤停后24小时内获得的影像，时间中位数略超过三小时。数据按患者划分为训练集、验证集和测试集以避免重叠。CLAIR在两种版本中进行训练与评估：一种仅使用入院早期可得的信息，另一种则还包含住院期间后续检测结果。

CLAIR的表现如何

研究将CLAIR的预测结果与一款强大的仅基于影像的深度学习模型以及两名经验丰富的神经科医生的评估进行了比较。当同时输入多视角CT扫描和早期临床数据时，CLAIR取得了0.94的ROC曲线下面积，明显高于仅基于CT的影像方法（约0.80）。这表明CLAIR在区分最终将获得良好脑功能的患者与不能恢复的患者方面更为出色。CLAIR的两个版本均显示出较高的准确率、灵敏度和特异性。在对20例尤其具有挑战性的病例的另一次评估中，无论人类还是AI评估者都出现了一些错误，但允许临床医生查看CLAIR预测结果时，他们的预后判断错误率低于单独判断时，提示该工具可作为有用的第二意见，而非替代专家判断。

这对患者和家庭意味着什么

研究表明，一种联合分析早期脑CT影像与床边临床数据的AI系统，能够比仅基于影像的方法更准确地给出心跳骤停后早期的神经学结局预测。尽管该工作基于单中心、样本量有限的数据集，且需要在更大、更具多样性的人群中得到验证，但它指向了这样一种前景：医生和家庭或许无需再等待数日即可获得关于可能康复情况的更可靠判断。若在谨慎的临床监督下使用，此类工具可支持对继续治疗、与亲属沟通以及重症监护资源公平使用的更及时、更周到的决策。

引用: Kasturi, A., Proctor, A.R., Vosoughi, A. et al. Multimodal contrastive prognostication framework for early neurological outcome prediction in post-cardiac arrest patients. Sci Rep 16, 15582 (2026). https://doi.org/10.1038/s41598-026-45573-3

关键词: 心脏骤停, 神经学结局, 头颅CT, 人工智能, 预后判断