CORE-Coma: Deep Learning Framework for Coma Prognosis fromAuditory Event-Related Potentials
Notice bibliographique
Résumé
Accurate prognosis of coma emergence is difficult because bedside behavioral scales can fail to detect residual consciousness. Auditory oddball event-related potentials (ERPs) offer a physiological readout, but single-component markers (e.g., MMN or P3) have limited sensitivity and generalizability. We present CORE-Coma, a deep learning framework for full-waveform ERP analysis, trained exclusively on healthy controls and evaluated zero-shot in coma patients. We analyzed ERPs from 39 healthy controls and 8 coma patients in the intensive care unit (ICU), segmenting EEG recordings into ~5-minute sub-blocks to capture temporal fluctuations. We define two complementary, model-derived metrics: a time-resolved ERP Separability Score (ESS) and a subject-level Global ERP Separability Index (GESI). Controls showed near-ceiling standard–deviant separability (ROC AUC=0.99), while separability was reduced in coma (ROC AUC=0.68). CORE-Coma identified all patients who emerged from coma (3/3; sensitivity 100%) and 4/5 patients who did not emerge (specificity 80%), yielding accuracy=87.5% (7/8). ESS revealed temporal fluctuations (waxing–waning) of responsiveness in coma at ~5-minute resolution, absent in controls. SHAP explanations localized influential features, including frontocentral electrodes and time windows consistent with canonical oddball components: 100–150 ms (N1/MMN) and 270–370 ms (P3a/P3b). By combining bedside-feasible scalp EEG with time-resolved and subject-level metrics, CORE-Coma offers an etiology-agnostic approach to coma prognosis. Prospective multicenter studies are needed to validate performance and support clinical deployment.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».