P.091 Parameterized short-segment EEG improves neurological recovery prediction in patients with severe brain injury
Notice bibliographique
Résumé
Background: Predicting neurological recovery in patients with severe brain injury remains challenging. Continuous EEG monitoring can detect malignant patterns but is resource-intensive, and its role in long-term functional outcome prediction is unclear. This study evaluates the utility of parameterized short-segment EEG, acquired via EEG cap, in predicting neurological recovery. Methods: We analyzed short-segment high-density EEGs from 42 patients in the NET-ICU cohort with acute neurological injury. EEGs were pre-processed into standard clinical formats and parameterized using five visual EEG features associated with outcome prediction. Random Forest Classifier (RFC) models were trained and cross-validated to predict recovery of responsiveness (following 1-2 step commands during or after ICU admission) using: EEG features alone; clinician prediction combined with EEG features. Results: EEG-based prediction outperformed clinician bedside assessment (AUC ROC: 0.80 vs. 0.67) under the RFC model. Combining clinician Glasgow Outcome Scale–Extended (GOSE) scores with EEG features improved overall predictive performance (AUC ROC: 0.91). Conclusions: Standardized EEG features obtained using EEG caps can improve the accuracy of neurological recovery predictions in patients with acute severe brain injury. This suggests that automated extraction of background brain signals has the potential to provide clinically meaningful prognostic information in critical care settings, enhancing accessibility and resource efficiency.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».