Śpiączka
Rokowania, prognozy i postęp choroby

Prognozowanie wyników u pacjentów w śpiączce wymaga kompleksowej oceny klinicznej, neuroobrazowej i elektrofizjologicznej, z uwzględnieniem takich parametrów jak punktacja w skali Glasgow (GCS ≤8 definiuje śpiączkę), wiek pacjenta, reaktywność źrenic oraz wzorce ruchów gałek ocznych. Szczególnie istotna jest składowa motoryczna GCS (GCSM) jako silny predyktor przeżycia w urazowym uszkodzeniu mózgu (TBI). Elektroencefalografia (EEG), zwłaszcza w pierwszych 24 godzinach po zatrzymaniu krążenia, dostarcza kluczowych informacji prognostycznych – niekorzystne wzorce EEG po 24 godzinach wiążą się z nieodwracalnym złym wynikiem neurologicznym, natomiast korzystne wzorce w ciągu pierwszych 12 godzin wskazują na wysokie prawdopodobieństwo dobrego rokowania. Metody neurofizjologiczne, takie jak somatosensoryczne potencjały wywołane (SSEP) i słuchowe potencjały wywołane pnia mózgu (BAEP), oraz późnolatencyjne potencjały wywołane (ERP, np. MMN i P300) stanowią dodatkowe, wiarygodne markery prognostyczne. Funkcjonalny rezonans magnetyczny w stanie spoczynku (RS-fMRI) wykazuje wysoką dokładność (dokładność 94,4%, AUC 0,94) w przewidywaniu długoterminowych wyników neurologicznych, szczególnie w identyfikacji pacjentów z dobrym rokowaniem po zatrzymaniu krążenia.

  1. Prognoza Śpiączki – wprowadzenie
  2. Czynniki wpływające na rokowanie w śpiączce
    1. Skala Glasgow (GCS) i jej wartość prognostyczna
    2. Wiek pacjenta
    3. Stan źrenic
    4. Spontaniczne i odruchowe ruchy gałek ocznych
  3. Metody elektrofizjologiczne w prognozowaniu śpiączki
    1. Elektroencefalografia (EEG) i jej znaczenie prognostyczne
    2. Potencjały wywołane w rokowaniu śpiączki
  4. Metody neuroobrazowania w prognozowaniu śpiączki
    1. Funkcjonalny rezonans magnetyczny w stanie spoczynku (RS-fMRI)
    2. Obrazowanie dyfuzyjne (DWI)
  5. Nomogramy i modele rokowania w śpiączce
    1. Nomogramy dla pacjentów w śpiączce po urazie mózgu
    2. Modele uczenia maszynowego w prognozowaniu śpiączki
  6. Specyfika prognostyki w różnych typach śpiączki
    1. Śpiączka po zatrzymaniu krążenia
    2. Śpiączka w krwotoku podpajęczynówkowym
    3. Śpiączka w zapaleniach mózgu
  7. Skala wyjścia ze śpiączki (CRS-r) jako predyktor poprawy
  8. Praktyczne podejście do prognozowania śpiączki
  9. Przyszłość prognozowania śpiączki
    1. Kolejne rozdziały

Prognoza Śpiączki – wprowadzenie

Przewidywanie wyniku u pacjentów w śpiączce stanowi kluczowe wyzwanie dla personelu medycznego. Prognostyka w śpiączce ma zasadnicze znaczenie w planowaniu leczenia, komunikacji z rodziną pacjenta oraz podejmowaniu decyzji terapeutycznych. Dokładna prognoza opiera się na właściwej ocenie wszystkich dostępnych informacji klinicznych, neuroobrazowych i elektrofizjologicznych.1 Istotne jest, aby prognozy dokonywać dopiero po potwierdzeniu diagnozy i zastosowaniu odpowiedniego (często intensywnego) leczenia medycznego lub chirurgicznego.1

Czynniki wpływające na rokowanie w śpiączce

Skala Glasgow (GCS) i jej wartość prognostyczna

Skala Glasgow (Glasgow Coma Scale, GCS) jest najczęściej stosowanym narzędziem do oceny poziomu świadomości i głębokości śpiączki. Punktacja opiera się na reakcji oczu, mowy i ruchu. Ogólnie przyjmuje się, że wynik 8 punktów lub mniej oznacza śpiączkę, przy czym im niższy wynik, tym głębsza śpiączka.1 Jednakże GCS, mimo że jest łatwa w zastosowaniu, może dawać zbyt ogólne lub nawet mylące wyniki, ponieważ opiera się głównie na zestawie obserwacji klinicznych.1

W analizach wieloczynnikowych wykazano, że składowa motoryczna skali Glasgow (GCSM) jest jednym z najbardziej wiarygodnych czynników prognostycznych przeżycia u pacjentów z urazowym uszkodzeniem mózgu (TBI).1

Wiek pacjenta

Wiek pacjenta jest istotnym czynnikiem prognostycznym w śpiączce. Badania wykazały, że wraz z wiekiem zmniejsza się szansa na korzystne rokowanie, szczególnie u pacjentów z urazowym uszkodzeniem mózgu. Wiek w dekadach jest jednym z kluczowych parametrów w modelach prognostycznych.1 W analizach z wykorzystaniem algorytmów uczenia maszynowego wiek pacjenta został zidentyfikowany jako jeden z najważniejszych predyktorów śmiertelności zarówno wewnątrzszpitalnej, jak i długoterminowej.12

Stan źrenic

Reaktywność źrenic na światło jest kluczowym parametrem w ocenie rokowania pacjentów w śpiączce. W badaniach nad rokowaniem u pacjentów z urazowym uszkodzeniem mózgu wykazano, że stan źrenic jest jednym z najważniejszych predyktorów zarówno śmiertelności wewnątrzszpitalnej, jak i długoterminowej.12 Ocena reaktywności źrenic jest również częścią standardowego badania klinicznego w ocenie głębokości śpiączki.1

Spontaniczne i odruchowe ruchy gałek ocznych

Spontaniczne i odruchowe ruchy gałek ocznych stanowią istotne czynniki prognostyczne u pacjentów w śpiączce. Badania wykazały, że te parametry, w połączeniu z głębokością i czasem trwania śpiączki ocenianej za pomocą GCS oraz reaktywnością źrenic, mogą skutecznie przewidywać rokowanie.1

Metody elektrofizjologiczne w prognozowaniu śpiączki

Elektroencefalografia (EEG) i jej znaczenie prognostyczne

Elektroencefalografia (EEG) odgrywa coraz większą rolę w prognozowaniu wyników u pacjentów w śpiączce, szczególnie po zatrzymaniu krążenia. Badania wykazały, że wzorce EEG w pierwszych 24 godzinach istotnie przyczyniają się do multimodalnej predykcji złego lub dobrego wyniku neurologicznego u pacjentów w śpiączce po zatrzymaniu krążenia.1

Niekorzystny wzorzec EEG po 24 godzinach przewiduje zły wynik bez wyników fałszywie dodatnich. W przypadku korzystnego wzorca EEG w ciągu pierwszych 12 godzin, prawdopodobieństwo dobrego wyniku neurologicznego jest wysokie, a przeżycie zależy od niewydolności innych narządów niż mózg.1

Analiza aktywności tła EEG może dostarczyć kluczowych wskaźników do oceny rokowania po śpiączce. Badania wykazały, że funkcjonalne połączenia w EEG mają wysoką wartość dyskryminacyjną w rokowaniu u pacjentów w śpiączce po zatrzymaniu krążenia.1 Pacjenci z niekorzystnym rokowaniem często wykazują niskoczęstotliwościowe, długodystansowe połączenia funkcjonalne (45%), podczas gdy wysokoczęstotliwościowe, krótkodystansowe połączenia funkcjonalne (25%) są związane z dobrym rokowaniem.1

W badaniach z wykorzystaniem głębokiego uczenia maszynowego wykazano, że automatyczna interpretacja sygnałów EEG przewyższa dotychczas stosowane predyktory wyników śpiączki po zatrzymaniu krążenia, w tym wizualną ocenę EEG przez wykwalifikowanych ekspertów.1

Potencjały wywołane w rokowaniu śpiączki

Metody neurofizjologiczne, takie jak somatosensoryczne potencjały wywołane w zakresie 30 ms i słuchowe potencjały wywołane pnia mózgu (BAEP), wykazują wysoką wartość prognostyczną złego wyniku u pacjentów z wynikiem GCS 3.1

Późnolatencyjne potencjały wywołane (ERP) zostały również wprowadzone jako użyteczne predyktory pozytywnego wyniku śpiączki. Badania kliniczne na pacjentach w śpiączce wykazują, że obecność składowej niedopasowania (MMN) ma dobrą korelację z wybudzeniem ze śpiączki. Oprócz MMN, składowa P300 jest również uznawana za wiarygodny predyktor wybudzenia.1

Metody neuroobrazowania w prognozowaniu śpiączki

Funkcjonalny rezonans magnetyczny w stanie spoczynku (RS-fMRI)

Funkcjonalny rezonans magnetyczny w stanie spoczynku (RS-fMRI) wykazuje znaczny potencjał w prognozowaniu wyników u pacjentów w śpiączce. Badania wykazały, że zmieniona łączność w kluczowych węzłach sieci stanu spoczynkowego (DMN) obserwowana w ciągu 48 godzin po wystąpieniu niedotlenienia mózgu po zatrzymaniu krążenia i resuscytacji koreluje z długoterminowym wynikiem neurologicznym pacjentów.1

Szczególnie istotne jest, że RS-fMRI może wypełnić lukę w prognostyce pacjentów w śpiączce, identyfikując zarówno tych z dobrym, jak i złym rokowaniem. W badaniach wykazano, że prognozowanie wyników śpiączki oparte na uczeniu maszynowym wykorzystującym RS-fMRI było bardzo dokładne, zwłaszcza w identyfikacji pacjentów z dobrym rokowaniem (dokładność 94,4%; obszar pod krzywą ROC 0,94).1

Bezpośredni związek z poziomem świadomości i wynikiem po 3 miesiącach zidentyfikowano dla miar segregacji w przedklinku oraz w przyśrodkowych i prawych obszarach czołowych. Zmniejszona łączność wewnątrzsieci w sieci stanu spoczynkowego i w obwodach korowo-wzgórzowych korelowała z klinicznym wynikiem po 3 miesiącach.1

Obrazowanie dyfuzyjne (DWI)

Badania wykazały, że automatyczne prognozowanie oparte na obrazowaniu funkcjonalnym połączonym z metodami uczenia maszynowego zapewnia lepszą prognostykę w porównaniu z obecnymi metodami obrazowania dyfuzyjnego, zwłaszcza pod względem identyfikacji pacjentów, którzy następnie odzyskają świadomość (tj. dobry wynik).1

Ogólnie wyniki badań wskazują, że RS-fMRI osiąga znacznie lepszą prognostykę pacjentów w śpiączce z nieokreślonym rokowaniem po standardowych testach multimodalnych niż DWI, zwłaszcza z bardzo wysoką dokładnością i wyższą swoistością w przewidywaniu dobrego wyniku.1

Nomogramy i modele rokowania w śpiączce

Nomogramy dla pacjentów w śpiączce po urazie mózgu

Dokładne przewidywanie wyników może służyć do oceny, kwantyfikacji i kategoryzacji pacjentów w śpiączce z ciężkim urazowym uszkodzeniem mózgu (TBI) w kontekście leczenia stymulacją elektryczną nerwu pośrodkowego prawego (RMNS), co może wspierać plany rehabilitacji.1

W badaniach z wykorzystaniem regresji Coxa proporcjonalnego hazardu zidentyfikowano następujące zmienne o najsilniejszym związku z korzystnym wynikiem (GOSE 3-8): wiek, GCS przy przyjęciu, reaktywność EEG i wzorzec tła EEG.12

Proponowane nomogramy mogły rozróżniać grupy pacjentów w śpiączce, które były narażone na wysokie lub niskie ryzyko złego wyniku. Dane skutecznie sugerują, że proponowane nomogramy mogą dostarczyć indywidualnych informacji o prawdopodobieństwie określonego wyniku dla pacjentów w śpiączce po ciężkim TBI otrzymujących leczenie RMNS promujące świadomość.1

Statystyki C wykazały, że potencjał dyskryminacyjny i kalibracja nomogramów wykazały dobrą zdolność predykcyjną (0,71).12 Wyższe całkowite wyniki oparte na nomogramach były powiązane z gorszym rokowaniem.1

Modele uczenia maszynowego w prognozowaniu śpiączki

Algorytmy uczenia maszynowego (ML) wykazują obiecujący potencjał w przewidywaniu przeżycia pacjentów z urazowym uszkodzeniem mózgu zarówno w krótkim, jak i długim okresie.1 Badania nad różnymi modelami ML wykazały, że modele Random Forest (RF), regresji logistycznej (LR) i uogólnionego modelu liniowego (GLM) są najdokładniejszymi modelami do przewidywania śmiertelności wewnątrzszpitalnej pacjentów (na podstawie 2-klasowej GOS).1

Z drugiej strony, GLM (z dokładnością 82%) okazał się najdokładniejszym predyktorem śmiertelności 6-miesięcznej. Jednak dokładność 5-klasowej GOS jest niższa niż 2-klasowej GOS. Ogólnie, według uzyskanych wyników, GBT (Gradient Boosted Trees) ma najlepszą wydajność.12

Specyfika prognostyki w różnych typach śpiączki

Śpiączka po zatrzymaniu krążenia

Prognostyka w śpiączce po resuscytacji krążeniowo-oddechowej była intensywnie badana w ostatnich latach, co doprowadziło do powstania wytycznych Europejskiej Rady Resuscytacji/Europejskiego Towarzystwa Intensywnej Terapii z 2014 roku.1

Wczesna ocena EEG przyczynia się do wiarygodnego przewidywania dobrego lub złego wyniku śpiączki po zatrzymaniu krążenia i może prowadzić do skrócenia czasu pobytu na OIT. Z kolei może to przynieść niewielkie oszczędności kosztów.1 Badania potwierdziły wartość wczesnych pomiarów EEG dla wiarygodnego przewidywania dobrego lub złego wyniku pacjentów w śpiączce po zatrzymaniu krążenia.1

Śpiączka w krwotoku podpajęczynówkowym

Prognostyka w tętniakowym krwotoku podpajęczynówkowym jest w dużej mierze niewiarygodna – nawet u pacjentów, którzy wydają się umierający wkrótce po pęknięciu.1 Ta niepewność rokowania wymaga szczególnej ostrożności przy podejmowaniu decyzji terapeutycznych w tej grupie pacjentów.

Śpiączka w zapaleniach mózgu

Prognostyka w większości zakaźnych zapaleń mózgu prawdopodobnie powinna być unikana ze względu na nieprzewidywalny przebieg i potencjał do poprawy nawet w ciężkich przypadkach.1 W tych przypadkach zaleca się ostrożne podejście do rokowania i kontynuację leczenia mimo początkowo niekorzystnych objawów.

Skala wyjścia ze śpiączki (CRS-r) jako predyktor poprawy

Skala wyjścia ze śpiączki (Coma Recovery Scale-Revised, CRS-r) odgrywa istotną rolę w przewidywaniu wyników u pacjentów z zaburzeniami świadomości (DoC). Analiza wieloczynnikowa wykazała, że wyniki CRS-r są najlepszym predyktorem poprawy funkcjonalnej. W szczególności pacjenci z wartościami większymi niż 12 przy przyjęciu mieli korzystne prawdopodobieństwo wyjścia z DoC.1

Wyłonienie się ze stanu minimalnej świadomości (MCS) jest reprezentowane przez powrót komunikacji funkcjonalnej lub zdolność do funkcjonalnego używania przedmiotów. Badania wykazały, że wynik CRS-r jest najlepszym predyktorem poprawy klinicznej, co ujawniło podejście statystyczne wielowymiarowego drzewa przeżycia. W szczególności stwierdzono, że wyniki ≥12 przy przyjęciu są wysoce predykcyjne dla wyłonienia się u pacjentów z DoC po wypisie.1

Praktyczne podejście do prognozowania śpiączki

Główne zasady oceny pacjenta w przedłużonej (>24 godziny) śpiączce to:

  1. Badanie i identyfikacja tego, co się liczy
  2. Przegląd neuroobrazowania i wiedza o tym, co ma znaczenie
  3. Ocena testów laboratoryjnych i dodatkowych, aby zobaczyć, czego brakuje
  4. Znalezienie czynników zakłócających i rozważenie czynników przyczyniających się, które mogły zostać pominięte
  5. Decydowanie i uznanie nieuniknionych niepewności
  6. Uwzględnienie szerszego obrazu (tj. wcześniej wyrażonych życzeń pacjenta dotyczących niezależności i chorób współistniejących)
  7. Powstrzymanie się od prognoz, jeśli sytuacja jest zbyt niejasna
  8. Przeprowadzenie badania śmierci mózgu w celu stwierdzenia śmierci mózgu (zmarli nie mają rokowania)
  9. Szczera rozmowa z członkami rodziny na zaplanowanej konferencji ze wszystkimi zainteresowanymi medycznymi stronami
  10. Realizacja uzgodnionego planu deeskalacji lub wycofania wsparcia, gdy zidentyfikowano najlepszy czas1

Przyszłość prognozowania śpiączki

Rozwój technologii i metod analitycznych, takich jak uczenie maszynowe i sztuczna inteligencja, otwiera nowe możliwości w prognozowaniu wyników śpiączki. Badania wykazały, że głębokie sieci neuronowe mogą być bardziej efektywne w osiąganiu podobnych, jeśli nie lepszych, wyników prognostycznych, a także zapewniać większą spójność i obiektywność.1

Zespół badaczy z Uniwersytetu w Twente i szpitala Medisch Spectrum Twente w Holandii opracował sieć uczącą się, której celem jest interpretacja wzorców elektroencefalogramu (EEG) u pacjentów w śpiączce. Jej wykorzystanie przez lekarzy może prowadzić do bardziej wiarygodnych prognoz dotyczących pacjentów, stanowiąc cenne dodatkowe narzędzie oceny.1

RS-fMRI może być rozważany jako potencjalny dodatkowy marker w złożonym procesie podejmowania decyzji dla pacjentów w śpiączce we wczesnym okresie po zatrzymaniu krążenia.1 Znaczenie RS-fMRI musi zostać potwierdzone w prospektywnych badaniach wieloośrodkowych w celu określenia jasnych algorytmów prognostycznych dla pacjentów w śpiączce po zatrzymaniu krążenia na wczesnym etapie.1

Głębokie uczenie sygnałów elektroencefalogramu przewyższa wszystkie wcześniej zgłaszane predyktory wyników śpiączki po zatrzymaniu krążenia, w tym wizualną ocenę elektroencefalogramu przez wyszkolonych ekspertów w dziedzinie elektroencefalografii. To podejście oferuje potencjał obiektywnego i prowadzonego w czasie rzeczywistym, przy łóżku pacjenta wglądu w neurologiczne rokowanie pacjentów w śpiączce po zatrzymaniu krążenia.1

Kolejne rozdziały

Zapraszamy do dalszego czytania naszego leksykonu.

Wybierz kolejny rozdział z menu poniżej, aby otworzyć nową podstronę kompedium wiedzy i uzyskać szczegółowe informację o leku, substancji lub chorobie.

  1. 09.04.2026
  2. www.leksykon.com.pl

Materiały źródłowe

  • #1 Predicting the outcome of a comatose patient at the bedside | Practical Neurology
    https://pn.bmj.com/content/20/1/26
    The call to the bedside and the prognostication of a comatose patient telling family members what to expect commonly falls to neurologists. […] Prognostication is difficult, and we should only attempt it when the diagnosis is confirmed and appropriate (often aggressive) medical or surgical treatment has been tried. […] Accurate prognostication is based on good judgement, and the key to good judgement is good evaluation of all the information. […] The main principles in assessing the patient in prolonged (24 hours) coma are (1) to examine and identify what counts; (2) to review neuroimaging and know what matters; (3) to evaluate laboratory tests and ancillary tests to see what is missing; (4) to find confounders and consider contributing factors that might have been forgotten; (5) to decide and acknowledge inevitable uncertainties; (6) to factor in the bigger picture (ie, the patient’s previously stated wishes regarding independence and comorbidity); (7) to refrain from predictions if all too confusing; (8) to proceed with a brain-death examination to declare a patient brain dead (the deceased have no prognoses); (9) to speak candidly with family members in a scheduled conference with all medical stakeholders and (10) to proceed with an agreed-on de-escalation plan or withdrawal of support when the best time has been identified.
  • #1 Glasgow Coma Scale (GCS): What It Is, Interpretation & Chart
    https://my.clevelandclinic.org/health/diagnostics/24848-glasgow-coma-scale-gcs
    The Glasgow Coma Scale helps medical providers determine how conscious (or how deeply in a coma) you are based on eye, speech and movement responses. […] Its the most commonly used scale for measuring decreases in consciousness, including coma. […] One of the best uses of the GCS is to track changes in your level of consciousness. […] A GCS score of 3 and a pupil score of 2 is a GCS-P score of 1. That means a very deep coma and no pupil reaction in both eyes. […] Generally, having a score of 8 or fewer means youre in a coma. The lower the score, the deeper the coma is. […] The GCS isnt the only thing providers use to make a prognosis. Healthcare providers commonly use the GCS to predict likely outcomes, but it isnt the only factor they consider.
  • #1 Development of a point of care system for automated coma prognosis: a prospective cohort study protocol | BMJ Open
    https://bmjopen.bmj.com/content/9/7/e029621
    Coma is a deep state of unconsciousness that can be caused by a variety of clinical conditions. Traditional tests for coma outcome prediction are based mainly on a set of clinical observations. Recently, certain event-related potentials (ERPs), which are transient electroencephalogram (EEG) responses to auditory, visual or tactile stimuli, have been introduced as useful predictors of a positive coma outcome (ie, emergence). However, such tests require the skills of clinical neurophysiologists, who are not commonly available in many clinical settings. Additionally, none of the current standard clinical approaches have sufficient predictive accuracies to provide definitive prognoses. […] The current method for determining coma prognosis is the Glasgow Coma Scale (GCS), which is easy to apply but yields coarse or even misleading results as it is mainly based on a set of clinical observations.
  • #1 Prognosis prediction in traumatic brain injury patients using machine learning algorithms | Scientific Reports
    https://www.nature.com/articles/s41598-023-28188-w
    Our assessments on wide background, clinical, and paraclinical features with various models indicated that the condition of pupils, the condition of cisterns (being present, absent, or compressed), and the patients age are the best predictors of in-hospital mortality, while the condition of the pupils, GCSM, and age are the most important clinical features in predicting the long-term mortality. […] The second aim of the present study was to provide efficient ML and statistical models to predict the short- and long-term outcomes of TBI patients. […] According to our findings, the RF, LR, and GLM models are the most accurate models to predict the in-hospital mortality of patients (based on the 2-class GOS). […] On the other hand, GLM (with an accuracy of 82%) was found to be the most accurate predictor of 6-months mortality.
  • #1 Prognosis and Prediction of Outcome in Comatose Head Injured Patients | SpringerLink
    https://link.springer.com/chapter/10.1007/978-3-7091-8859-0_30
    Recent studies on the prognosis of comatose head injured patients have identified single powerful prognostic features at various time points during the first month after onset of coma. […] Using appropriate statistical methods even more powerful combinations of prognostic features can be selected. […] At each time point, optimal prediction requires sets of only 3 to 5 features. […] These features include depth and duration of coma as assessed by the Glasgow Coma Scale, pupil reactivity to light, age in decades, and spontaneous and reflex eye movements. […] In individual new patients, bedside predictions are now possible, e.g. using a booklet with prognosis tables like the one used in Rotterdam. […] However, the main application is that these tables permit one to evaluate whether differences in survival rates in different centres with different management regimes are due to a difference in management efficacy or to a difference in initial severity of injury.
  • #1 Prognosis prediction in traumatic brain injury patients using machine learning algorithms | Scientific Reports
    https://www.nature.com/articles/s41598-023-28188-w
    Predicting treatment outcomes in traumatic brain injury (TBI) patients is challenging worldwide. […] Our findings reveal that among different variables included in this study, the motor component of the Glasgow coma scale, the condition of pupils, and the condition of cisterns were the most reliable features for predicting in-hospital mortality, while the patients age takes the place of cisterns condition when considering the long-term survival of TBI patients. […] Our results showed that using appropriate markers and with further development, ML has the potential to predict TBI patients survival in the short- and long-term. […] The first aim of this paper was to find the most reliable prognostic markers related to TBI. […] Several features have been introduced as the most reliable variables in recent years.
  • #1 Early EEG for outcome prediction of postanoxic coma: prospective cohort study with cost-minimization analysis | Critical Care | Full Text
    https://ccforum.biomedcentral.com/articles/10.1186/s13054-017-1693-2
    We recently showed that electroencephalography (EEG) patterns within the first 24 hours robustly contribute to multimodal prediction of poor or good neurological outcome of comatose patients after cardiac arrest. […] Early EEG contributes to reliable prediction of good or poor outcome of postanoxic coma and may lead to reduced length of ICU stay. In turn, this may bring small cost reductions. […] An unfavorable EEG pattern at 24 hours predicted a poor outcome without false positives. In the case of a favorable EEG pattern within 12 hours, the probability of a good neurological recovery was strong and survival depended on failure of organs other than the brain. […] Cost minimization of an EEG-based policy, using an unfavorable EEG pattern at 24 hours as a rule to withdraw life-sustaining treatment, was small and depended on the timing of decision-making.
  • #1 Robust EEG Characteristics for Predicting Neurological Recovery from Coma After Cardiac Arrest
    https://www.mdpi.com/1424-8220/25/7/2332
    Robust EEG Characteristics for Predicting Neurological Recovery from Coma After Cardiac Arrest […] Functional connectivity is highly discriminating in the prognosis of comatose patients after cardiac arrest. […] Low-frequency long-distance functional connectivity is associated with poor prognosis. […] Patients tend to have a good prognosis when their full-band prefrontal lobe, low-frequency left temporal area and occipital lobe are in higher integrity. […] EEG data in the 12–48-h interval have a high distinction between patients’ prognostic tendencies. […] This study aimed to analyze the background patterns of electroencephalogram (EEG) signals from such patients to identify the key indicators for assessing the prognosis after coma. […] Our results indicated that the three different EEG features helped achieve a fivefold cross-validation receiver-operating characteristic (ROC) of 0.87. […] Our evaluation revealed that functional connectivity features contribute the most to classification at 70%. […] Among these, low-frequency long-distance functional connectivity (45%) was associated with a poor prognosis, whereas high-frequency short-distance functional connectivity (25%) was linked with a good prognosis. […] Burst suppression ratio is 20%, concentrated in the left frontal–temporal and right occipital–temporal regions at high thresholds (10/15 mV), demonstrating its strong discriminative power. […] These findings provide a clinically actionable framework for advancing neurological prognosis and optimizing patient care.
  • #1
    https://journals.lww.com/ccmjournal/fulltext/2019/10000/outcome_prediction_in_postanoxic_coma_with_deep.19.aspx
    Visual assessment of the electroencephalogram by experienced clinical neurophysiologists allows reliable outcome prediction of approximately half of all comatose patients after cardiac arrest. […] Deep learning of electroencephalogram signals outperforms any previously reported outcome predictor of coma after cardiac arrest, including visual electroencephalogram assessment by trained electroencephalogram experts. Our approach offers the potential for objective and real time, bedside insight in the neurologic prognosis of comatose patients after cardiac arrest.
  • #1 Development of a point of care system for automated coma prognosis: a prospective cohort study protocol | BMJ Open
    https://bmjopen.bmj.com/content/9/7/e029621
    Neurophysiological methods have proven of some use, with primary somatosensory responses in the 30ms range and brainstem auditory evoked potentials (BAEPs) exhibiting high prognostic value of poor outcome in patients with GCS scores of 3. […] More recently, long-latency event-related potentials (ERPs) have also been introduced as useful predictors of a positive coma outcome. […] Clinical studies on coma patients demonstrate that the presence of the MMN component has a good correlation with coma awakening. […] In addition to MMN, the P300 component has also been reported as a reliable predictor of awakening. […] The study will also collect aetiology, demographics and medical history from the patients health record, in addition to concurrent physiological assessment during the study period. […] The ultimate goal of the study is the creation of an automated prototype for coma prognosis.
  • #1 Outcome prediction with resting-state functional connectivity after cardiac arrest | Scientific Reports
    https://www.nature.com/articles/s41598-020-68683-y
    Unfavorable neurological outcome would be correlated to absent/altered DMN connectivity and thalamo-cortical directed connectivity, whereas comatose patients with reversible coma and a good functional outcome would have intact DMN and thalamo-cortical connectivity. […] Our statistical results for correct classification of CPC 13 (good/favorable neurological outcome) versus CPC 45 (poor/unfavorable neurological outcome) confirmed disrupted connectivity in all non-survivors, with an excellent yield for classification between CPC 13 and CPC 45. […] Our data further suggest that the level of functional and effective connectivity between involved nodes of the DCM could represent an early biomarker to effectively distinguish between survivors and non-survivors. […] Our results demonstrate that altered connectivity within key nodes of the DMN is observed within 48 h after the onset of hypoxic brain injury following cardiac arrest and resuscitation, and correlates with the patients long-term neurological outcome.
  • #1 Resting-State Brain Activity for Early Prediction Outcome in Postanoxic Patients in a Coma with Indeterminate Clinical Prognosis | American Journal of Neuroradiology
    http://www.ajnr.org/content/41/6/1022
    BACKGROUND AND PURPOSE: Early outcome prediction of postanoxic patients in a coma after cardiac arrest proves challenging. Current prognostication relies on multimodal testing, using clinical examination, electrophysiologic testing, biomarkers, and structural MR imaging. While this multimodal prognostication is accurate for predicting poor outcome (ie, death), it is not sensitive enough to identify good outcome (ie, consciousness recovery), thus leaving many patients with indeterminate prognosis. […] We specifically assessed whether resting-state fMRI provides prognostic information, notably in postanoxic patients in a coma with indeterminate prognosis early after cardiac arrest, specifically for good outcome. […] RESULTS: […] Coma outcome prognostication based on resting-state fMRI machine learning was very accurate, notably for identifying patients with good outcome (accuracy, 94.4%; area under the receiver operating curve, 0.94). […] Resting-state fMRI might bridge the gap left in early prognostication of postanoxic patients in a coma by identifying those with both good and poor outcomes.
  • #1 Outcome prediction with resting-state functional connectivity after cardiac arrest | Scientific Reports
    https://www.nature.com/articles/s41598-020-68683-y
    Predicting outcome in comatose patients after successful cardiopulmonary resuscitation is challenging. […] Our primary aim was to assess the potential contribution of resting-state-functional magnetic resonance imaging (RS-fMRI) in predicting neurological outcome. […] A direct link to the level of consciousness and outcome after 3 months was identified for measures of segregation in the precuneus, in medial and right frontal regions. […] Decreased within-network connectivity in the default mode network and within cortico-thalamic circuits correlated with clinical outcome after 3 months. […] Our results indicate a potential role of these markers for decision-making in comatose patients early after cardiac arrest. […] We hypothesized that the degree of those relationships would correlate with the functional outcome of those patients after 3 months.
  • #1 Resting-State Brain Activity for Early Prediction Outcome in Postanoxic Patients in a Coma with Indeterminate Clinical Prognosis | American Journal of Neuroradiology
    https://www.ajnr.org/content/41/6/1022
    Resting-state fMRI might bridge the gap left in early prognostication of postanoxic patients in a coma by identifying those with both good and poor outcomes. […] We found that automatic prediction based on functional neuroimaging coupled with machine learning methods yielded better prognostication compared with current diffusion neuroimaging methods, especially in terms of identifying patients who would subsequently recover consciousness (ie, good outcome). […] Overall, our results demonstrate that rs-fMRI achieves significantly better prognostication of postanoxic patients in a coma left with an indeterminate prognosis after standard multimodal testing than DWI, notably with very high accuracy and higher specificity in predicting good outcome.
  • #1 Nomogram for Early Prediction of Outcome in Coma Patients with Severe Traumatic Brain Injury Receiving Right Median Nerve Electrical Stimulation Treatment
    https://pmc.ncbi.nlm.nih.gov/articles/PMC9783532/
    Accurate outcome prediction can serve to approach, quantify and categorize severe traumatic brain injury (TBI) coma patients for right median electrical stimulation (RMNS) treatment, which can support rehabilitation plans. […] The risk factors connected to the outcome of coma patients receiving RMNS treatment were identified using Cox proportional hazards regression. […] The C statistics revealed that the nomograms discriminative potential and calibration demonstrated good predictive ability (0.71). […] Our findings show that the nomogram model using AEEG parameters has the potential to predict outcomes in severe TBI coma patients receiving RMNS treatment. […] The model could classify patients into prognostic groups and worked well in internal validation. […] The primary outcome measurement was the extended Glasgow Outcome Scale (GOSE), which was divided into poor outcome (GOSE 12) or good outcome (GOSE 38).
  • #1 Nomogram for Early Prediction of Outcome in Coma Patients with Severe Traumatic Brain Injury Receiving Right Median Nerve Electrical Stimulation Treatment
    https://pmc.ncbi.nlm.nih.gov/articles/PMC9783532/
    Established risk factors, together with demographic and clinical physiological characteristics, were chosen as candidate variables for the prognosis model. […] In the Cox proportional hazards regression modeling, the backward stepwise selection revealed the four variables with the strongest association with a favorable outcome (GOSE 38): age, GCS at admission, EEG reactivity, and AEEG background pattern. […] The proposed nomograms could distinguish between groups of coma patients who were at a high or low risk of a poor outcome. […] The data effectively suggests the proposed nomograms can provide individual patient information about likelihood of a certain outcome for coma patients after severe TBI receiving RMNS consciousness-promoted treatment.
  • #1 Nomogram for Early Prediction of Outcome in Coma Patients with Severe Traumatic Brain Injury Receiving Right Median Nerve Electrical Stimulation Treatment
    https://www.mdpi.com/2077-0383/11/24/7529
    Nomogram for Early Prediction of Outcome in Coma Patients with Severe Traumatic Brain Injury Receiving Right Median Nerve Electrical Stimulation Treatment […] Accurate outcome prediction can serve to approach, quantify and categorize severe traumatic brain injury (TBI) coma patients for right median electrical stimulation (RMNS) treatment, which can support rehabilitation plans. […] The study included 228 patients who received RMNS treatment for long-term coma after a severe TBI. […] The C statistics revealed that the nomograms’ discriminative potential and calibration demonstrated good predictive ability (0.71). […] Our findings show that the nomogram model using AEEG parameters has the potential to predict outcomes in severe TBI coma patients receiving RMNS treatment. […] The following four independent prognostic factors built the final nomogram model: age, GCS at admission, EEG reactivity (normal, absence, or SIRPIDs), and AEEG background pattern (A mode, B mode, or C mode). […] Higher total scores based on the nomograms were linked to a worse prognosis. […] The model’s discriminative ability for outcome was also evaluated utilizing C statistics (0.71; 95% CI, 0.69–0.73). […] Personalized risk prediction models, such as the current nomograms, may be used to help choose ideal coma patients for RMNS and guiding rehabilitation treatment in the future. […] The nomogram model, which incorporates AEEG traits and clinical data, has the capacity to forecast neurological outcome in coma patients after severe TBI receiving RMNS treatment.
  • #1 Predicting the outcome of a comatose patient at the bedside | Practical Neurology
    https://pn.bmj.com/content/20/1/26
    Prognostication in coma after cardiopulmonary resuscitation has been studied extensively in recent years and led to the 2014 European Resuscitation Council/European Society of Intensive Care Medicine Guideline. […] Prognostication in aneurysmal subarachnoid hemorrhage is largely unreliable – even in patients who appear moribund soon after the rupture. […] Prognostication in most infectious encephalitides likely should be avoided.
  • #1 Early EEG for outcome prediction of postanoxic coma: prospective cohort study with cost-minimization analysis | Critical Care | Full Text
    https://ccforum.biomedcentral.com/articles/10.1186/s13054-017-1693-2
    We confirm the value of early EEG measurements for reliable prediction of good or poor outcome of comatose patients after cardiac arrest. EEG-based decisions on treatment (dis)continuation may lead to a reduction in the ICU length of stay, without increased mortality in the long term. In turn, this may bring cost reductions, depending on the timing of withdrawal of life-sustaining treatment.
  • #1 Outcome prediction in disorders of consciousness: the role of coma recovery scale revised | BMC Neurology | Full Text
    https://bmcneurol.biomedcentral.com/articles/10.1186/s12883-019-1293-7
    To evaluate the utility of the revised coma remission scale (CRS-r), together with other clinical variables, in predicting emergence from disorders of consciousness (DoC) during intensive rehabilitation care. […] Multivariate analysis demonstrated that the best predictor of functional improvement was the CRS-r scores. In particular, patients with values greater than 12 at admission were those with a favourable likelihood of emergence from DoC. […] Our study highlights the role of the CRS-r scores for predicting a short-term favorable outcome. […] One of the main targets in the clinical management of patients with DoC is to identify which medical prognostic features might best predict long-term neurologic and functional positive outcome. […] Despite this large amount of evidence, there is a paucity of studies assessing the role of CRS-r in predicting clinical evolution in DoC patients.
  • #1 Outcome prediction in disorders of consciousness: the role of coma recovery scale revised | BMC Neurology | Full Text
    https://bmcneurol.biomedcentral.com/articles/10.1186/s12883-019-1293-7
    The emergence from MCS is represented by return of functional communication or by the ability to use objects functionally. […] However, our most important finding was that the CRS-r score is the best predictor of clinical improvement as revealed by multivariate survival tree statistical approach. In particular, we found that scores 12 at admission are highly predictive of emergence in DoC patients after discharge. […] Overall our data are in part in agreement with all previous studies assessing predictive factors of conscious awareness in short-term period. […] We demonstrated in a large sample that 35% of DoC patients achieve a full functional improvement by the end of inpatient rehabilitation and that this clinical evolution at discharge was predicted by specific clinical factors at 8weeks. In particular, our study highlights the importance of CRS-r in the clinical management of DoC, demonstrating its positive prognostic value in post-comatose brain-injured patients.
  • #1 Azthena logo with the word Azthena
    https://www.news-medical.net/health/Can-Deep-Learning-Predict-Coma-Outcome.aspx
    Patients in a coma are described as being in a state of unconsciousness from which they cannot be woken and are unresponsive. […] In situations where a patient is in a coma, doctors will aim to assess consciousness and employ methods to try and predict outcomes. […] In order to answer such questions, careful assessment and monitoring need to be made. […] A team of researchers from the University of Twente and the Medisch Spectrum Twente hospital in the Netherlands have developed a learning network that aims to interpret electroencephalogram (EEG) patterns in coma patients. Its use by doctors could lead to more reliable outcome predictions made about patients, proving to be a valuable additional assessment tool. […] However, the researchers in the present study argued that using artificial intelligence (AI), specifically deep neural networks, may be more effective in achieving similar if not better predictive outcomes in addition to being more consistent and objective.
  • #1 Outcome prediction with resting-state functional connectivity after cardiac arrest | Scientific Reports
    https://www.nature.com/articles/s41598-020-68683-y
    Our findings indicate alterations in the ROI-based centrality, especially in the medial frontal cortex. […] A novel finding of this study is that the precuneus differed significantly between the two patient groups in its efficiency of local information transfer. […] The relevance of RS-fMRI needs to be confirmed in prospective multicenter studies to define clear prognostic algorithms for comatose patients after cardiac arrest at an early stage and to disentangle the mechanisms of interaction between distinct regions of the brain to understand impairment of consciousness in patients after cardiac arrest. […] Our results indicate the diagnostic and prognostic value of early RS-fMRI in comatose patients after cardiac arrest and successful resuscitation. […] RS-fMRI may be considered a potential additional marker in the complex process of decision-making for comatose patients in the early period after cardiac arrest.
  • #2 Prognosis prediction in traumatic brain injury patients using machine learning algorithms | Scientific Reports
    https://www.nature.com/articles/s41598-023-28188-w
    Predicting treatment outcomes in traumatic brain injury (TBI) patients is challenging worldwide. […] Our findings reveal that among different variables included in this study, the motor component of the Glasgow coma scale, the condition of pupils, and the condition of cisterns were the most reliable features for predicting in-hospital mortality, while the patients age takes the place of cisterns condition when considering the long-term survival of TBI patients. […] Our results showed that using appropriate markers and with further development, ML has the potential to predict TBI patients survival in the short- and long-term. […] The first aim of this paper was to find the most reliable prognostic markers related to TBI. […] Several features have been introduced as the most reliable variables in recent years.
  • #2 Prognosis prediction in traumatic brain injury patients using machine learning algorithms | Scientific Reports
    https://www.nature.com/articles/s41598-023-28188-w
    Our assessments on wide background, clinical, and paraclinical features with various models indicated that the condition of pupils, the condition of cisterns (being present, absent, or compressed), and the patients age are the best predictors of in-hospital mortality, while the condition of the pupils, GCSM, and age are the most important clinical features in predicting the long-term mortality. […] The second aim of the present study was to provide efficient ML and statistical models to predict the short- and long-term outcomes of TBI patients. […] According to our findings, the RF, LR, and GLM models are the most accurate models to predict the in-hospital mortality of patients (based on the 2-class GOS). […] On the other hand, GLM (with an accuracy of 82%) was found to be the most accurate predictor of 6-months mortality.
  • #2 Nomogram for Early Prediction of Outcome in Coma Patients with Severe Traumatic Brain Injury Receiving Right Median Nerve Electrical Stimulation Treatment – PubMed
    https://pubmed.ncbi.nlm.nih.gov/36556145/
    Accurate outcome prediction can serve to approach, quantify and categorize severe traumatic brain injury (TBI) coma patients for right median electrical stimulation (RMNS) treatment, which can support rehabilitation plans. […] The risk factors connected to the outcome of coma patients receiving RMNS treatment were identified using Cox proportional hazards regression. […] The following variables were integrated into the forecasting of outcome using the backward stepwise selection of Akaike information criterion: age, Glasgow Coma Scale (GCS) at admission, EEG reactivity (normal, absence, or the stimulus-induced rhythmic, periodic, or ictal discharges (SIRPIDs)), and AEEG background pattern (A mode, B mode, or C mode). […] The C statistics revealed that the nomograms’ discriminative potential and calibration demonstrated good predictive ability (0.71). […] Our findings show that the nomogram model using AEEG parameters has the potential to predict outcomes in severe TBI coma patients receiving RMNS treatment. The model could classify patients into prognostic groups and worked well in internal validation.
  • #2 Prognosis prediction in traumatic brain injury patients using machine learning algorithms | Scientific Reports
    https://www.nature.com/articles/s41598-023-28188-w
    However, as described in the results, the accuracy of the 5-class GOS is lower than the 2-class GOS. […] Overall, according to the results shown in Tables 2 and 4, GBT has the best performance. […] According to our findings, the condition of pupils, GCSM, condition of cisterns, and the patients age are the best predictors of their survival.

Zobacz więcej

sieć stanu spoczynkowego urazowe uszkodzenie mózgu zatrzymanie krążenia rezonans magnetyczny funkcjonalny zapalenie mózgu reaktywność źrenic resuscytacja krążeniowo-oddechowa potencjały wywołane pnia mózgu elektroencefalografia zaburzenia świadomości stymulacja elektryczna nerwu obrazowanie dyfuzyjne śpiączka krwotok podpajęczynówkowy potencjały somatosensoryczne ruchy gałek ocznych uczenie maszynowe śmierć mózgu skala Glasgow stan minimalnej świadomości