可解释的机器学习技术用于预测急诊科脑电图（EEG）的诊断价值：EMINENCE研究

《Journal of Medical Systems》：Interpretable Machine Learning to Anticipate the Diagnostic Yield of EEG in the Emergency department. The EMINENCE study

【字体：大中小】 时间：2026年05月02日 来源：Journal of Medical Systems 5.7

编辑推荐：

　　摘要引言新兴的脑电图（emEEG）在急诊科（ED）中越来越多地被用于评估意识改变和与癫痫发作相关的状况，然而指导其使用的标准化标准仍然有限。方法我们回顾性分析了2023年在意大利佛罗伦萨Careggi教学医院急诊科接受emEEG检查的1,018名患者（平

　　摘要
引言
新兴的脑电图（emEEG）在急诊科（ED）中越来越多地被用于评估意识改变和与癫痫发作相关的状况，然而指导其使用的标准化标准仍然有限。

方法
我们回顾性分析了2023年在意大利佛罗伦萨Careggi教学医院急诊科接受emEEG检查的1,018名患者（平均年龄66±20岁；48.4%为女性）。使用入院时的临床数据、病史和神经影像学数据来训练监督式机器学习（ML）模型。我们评估了基于树的集成模型（随机森林和XGBoost），以预测异常和癫痫样emEEG，以及确认或反驳初始诊断。真实标签由包括神经学家、神经病理学家和重症监护专家在内的多学科专家团队提供。模型性能通过5×5嵌套交叉验证、接收者操作特征（ROC）分析、平衡准确率、决策曲线分析和Shapley加性解释（SHAP）可解释性进行评估。

结果
691例（67.9%）出现异常emEEG，192例（18.9%）出现癫痫样活动。emEEG在514例（50.5%）中排除了初始诊断怀疑，在188例（18.5%）中确认了初始诊断。随机森林在异常emEEG（AUC 0.79，95% CI：0.76–0.82）和诊断排除（AUC 0.84，95% CI：0.81–0.86）方面表现最佳，XGBoost在癫痫样emEEG（AUC 0.82，95% CI：0.78–0.85）和诊断确认（AUC 0.82，95% CI：0.79–0.85）方面表现最佳。性能因初始诊断怀疑而异，但按亚组分层的分析显示了总体一致的模式。关键预测特征包括意识改变、既往脑损伤、抗癫痫治疗和与癫痫发作相关的表现。可解释性分析显示，以癫痫发作为中心的特征促进了诊断确认，而系统性或非特异性特征则倾向于反驳初始诊断。

结论
仅使用入院数据的可解释ML模型可以预测emEEG结果并预测其诊断贡献，支持急诊神经学中的分诊和决策制定，而不会取代临床判断。模型和解释可以在一个免费访问的网站（www.emergencyeeg.com）上轻松使用，该网站为所有四个预测任务提供概率输出以及每个患者的解释图，从而实现透明和可复制的应用。

临床试验编号
不适用。当在急诊科（ED）住院期间提出正式的神经科会诊请求并在进行最终处理之前，就会对神经科转诊进行编码（是/否）；这反映了当地的工作流程，即急诊科医生可以直接安排脑电图（emEEG）检查，并且只有在必要时才会请求神经科会诊。人口统计数据由护理人员在常规的急诊科分诊过程中录入电子健康记录（EHR）；所有其他变量则由当班急诊科医生在初次就诊时记录在EHR中，符合意大利标准的急诊科分诊程序和临床文档指南。脑电图结果被编码为四个二进制目标：异常脑电图、癫痫样活动的存在，以及脑电图是否确认或排除了最初的诊断怀疑（定义和标记程序见“结果测量”部分）。所有分类预测因子都被编码为0/1；年龄作为连续变量被保留。

**结果测量**
基于定性脑电图评估定义了四个二进制结果。异常脑电图被定义为在定性脑电图解读中存在任何异常发现，而正常脑电图则表示没有异常发现（正常，n=327；异常，n=691）。癫痫样脑电图被定义为存在癫痫样活动，而非癫痫样脑电图则表示其不存在（癫痫样，n=192；非癫痫样，n=826）。异常和癫痫样的标签由两位独立的神经生理学家（A.G.和M.S.）给出，最终标签需要两位评估者的结果一致。另外两个结果捕捉了脑电图发现与脑电图采集前制定的入院诊断怀疑之间的关系。当入院怀疑仍然是最终诊断结论，并且脑电图提供了关键的支持证据时，定义为脑电图确认了最初的诊断（确认，n=188；未确认，n=830）。当最终诊断结论与入院怀疑不同，并且这种变化具体可归因于脑电图发现时，定义为脑电图排除了最初的诊断（排除，n=514；未排除，n=504）。确认和排除的标签由一个多学科专家团队（神经科医生、神经生理学家和重症监护医生）根据截至该时间点的所有临床信息（包括表现特征、病史、可用的检查和影像学结果以及脑电图报告）确定。

**统计和机器学习分析**
对于连续变量，报告了中位数和四分位数范围（IQR）；对于二进制变量，则使用绝对/相对频率。为每个结果开发了四个监督分类器：异常脑电图、癫痫样脑电图、脑电图排除初始诊断和脑电图确认初始诊断。模型使用从急诊科记录中获取的58个预测因子进行训练，这些预测因子在前一节中有详细说明。我们考虑了随机森林（Random Forest）和极端梯度提升（Extreme Gradient Boosting，XGBoost）算法，并采用了5×5的嵌套交叉验证策略。数据集在参与者层面被随机划分为五个外部折叠；在每次迭代中，一个折叠（20%）作为测试集，其余折叠（80%）作为训练集，以确保每个参与者在所有外部折叠中仅出现一次。这种设计防止了每次迭代中训练、验证和测试子集之间的任何主体重叠。结果在所有测试折叠中进行了汇总。在每个训练集上，进行了内部5折循环以进行超参数优化，探索的参数范围在补充表S1中报告。在验证中表现最好的算法被用于测试评估。性能通过平衡准确率、接收者操作特征（ROC）分析和决策曲线分析（DCA）进行评估。为了量化区分的不确定性，我们计算了ROC曲线下面积（AUC）及其95%置信区间（CIs）。AUC及其方差首先使用非参数DeLong方法进行估计，并报告了95%的CIs。我们还进行了精确度-召回率分析，并报告了F1分数和平均精确度（AP）。所有估计都是通过将每个结果的真实测试标签和来自外部交叉验证折叠的相应预测类别概率连接起来获得的（即，这些分析没有重新拟合模型）。

**基于Web的模型部署**
我们将所有四个机器学习模型实现在一个基于浏览器的应用程序中，该应用程序托管在机构服务器上（www.emergencyeeg.com）。界面接受用于模型训练的相同入院时间变量（变量列表见表1）。提交后，应用程序会计算（i）异常脑电图、（ii）癫痫样脑电图、（iii）脑电图排除初始诊断和（iv）脑电图确认初始诊断的类别概率，并显示它们以及基于SHAP的解释（患者级别的瀑布图贡献）。该平台免费使用，无需注册，并在机构基础设施上的HTTPS服务器端执行所有推理。为了保护隐私并符合这项回顾性研究的伦理批准，用户输入的数据不会在活动会话之外存储、记录或持久化在服务器或浏览器上；不需要任何个人身份信息。该网站旨在用于研究和教育目的，以支持分诊推理和假设生成，而不是提供独立的临床诊断。

**表1** 研究人群中预测因子和结果的描述性统计。连续变量的值以中位数和四分位数范围（IQR）报告，二分变量以绝对和相对频率报告。

**探索性成本情景分析**
进行了探索性成本情景分析，以提供基于模型输出的异常和癫痫样结果工作流程优先策略下的资源使用实际背景。分析遵循医疗保健经济评估的标准方法论框架[26, 27]。对于每个模型决策阈值，计算了每位患者的平均成本：$$\:{C}_{mean\:}=\:\frac{{C}_{EEG\:}\left(TP+FP\right)+{C}_{penalty\:}FN\:}{N}$$其中TP和FP分别是真阳性和假阳性，FN是假阴性；CEEG等于150€，是脑电图的平均机构成本；Cpenalty表示用于敏感性分析的假设惩罚参数，以代表错过或延迟诊断的后果。为了使惩罚与建模的资源保持相同的规模[28]，Cpenalty从150€变化到1500€（即脑电图成本的1到10倍）。然后计算每位患者的相对成本变化（RCC/patient）：$$\:\frac{\text{R}\text{C}\text{C}}{\text{p}\text{a}\text{t}\text{i}\text{n}\text{t}}\left(\text{\%}\right)=\:100\cdot\:\frac{{C}_{EEG\:\:}-{C}_{mean\:}\:}{{C}_{EEG\:\:}}$$

**结果**
在研究期间，共有6890名患者因神经系统疾病被收治到急诊科（占急诊科就诊总数的6.3%）。其中，1134名患者在急诊科接受了脑电图检查；116名患者的电子健康记录中缺失了结果数据，因此最终有1018名患者（中位年龄70岁[IQR=29岁，48.4%为女性]被纳入分析（图1）。

**图1**
此图像的替代文本可能是使用AI生成的。

**流程图显示了从急诊科就诊到最终分析队列的选择过程。图例：emEEG：紧急脑电图；ED：急诊科；EHR：电子健康记录**
急诊科入院时最常见的诊断怀疑是癫痫发作（39.7%）、意识丧失（22.5%）和中风（12.9%）。就诊时最常见的神经系统症状是意识混乱（34.7%）、意识丧失（34.1%）、运动表现（34.0%）和言语障碍（26.7%），85.9%的患者在脑电图检查前有症状消退。大多数情况下（81.1%）有目睹的关键事件（导致急诊科就诊），其中15.9%由医疗专业人员目睹。三分之一的队列有既往脑损伤，24.3%的患者在入院时正在服用抗癫痫药物。

**图例：**
LoC：意识丧失；TIA：短暂性脑缺血发作；ED：急诊科；HCPs：医疗专业人员；AED：抗癫痫药物；ICH：脑内出血；SAH：蛛网膜下腔出血；emEEG：紧急脑电图。

高血压（42.7%）、血脂异常（25.2%）和糖尿病（16.4%）是最常见的共病。总体而言，63.2%的患者至少有一种神经系统疾病，最常见的是多梗死性疾病（27.3%）或缺血（10.4%）。在进行脑电图检查后，67.9%的患者检测到异常记录，18.9%的患者有癫痫样活动。脑电图检测结果显示，意识改变（94.1%）、癫痫持续状态（90.9%）和中风（79.4%）的诊断怀疑最为常见。相应地，最初诊断为癫痫持续状态和癫痫发作的患者中，分别有60.6%和32.4%的脑电图显示为癫痫样。补充表S2报告了根据入院时初步诊断怀疑定义的亚组的详细结果。

重要的是，脑电图在50.5%的病例中排除了最初的诊断怀疑，而在18.5%的病例中确认了最初的诊断怀疑。

**脑电图报告的预测**
在评估异常和癫痫样脑电图时（图2），随机森林和XGBoost模型在内部验证中分别取得了最佳性能。这两个模型都表现出良好的分类能力，异常脑电图的AUC为0.79（95% CI 0.76–0.82），癫痫样脑电图的AUC为0.82（95% CI 0.78–0.85）（图2A和D）。在50%的概率阈值下，平衡准确率为72.3%，异常脑电图的敏感性为74.8%，特异性为69.7%；对于癫痫样脑电图，平衡准确率为75.0%，敏感性为75.0%，特异性为75.1%（图2C和F）。图3报告了精确度-召回率分析。对于异常脑电图，F1分数为0.79，AP为0.88；对于癫痫样脑电图，F1分数为0.53，AP为0.50。

**图2**
此图像的替代文本可能是使用AI生成的。

**模型性能**
(a) 使用随机森林模型对异常脑电图进行分类的ROC曲线。(b) 在50%的概率阈值下，随机森林模型与默认策略相比的净收益决策曲线。(c) 在50%的概率阈值下，异常脑电图分类的混淆矩阵。(d) 使用XGBoost模型对癫痫样脑电图进行分类的ROC曲线。(e) 在50%的概率阈值下，XGBoost模型与默认策略相比的净收益决策曲线。(f) 在50%的概率阈值下，癫痫样脑电图分类的混淆矩阵。

**图3**
此图像的替代文本可能是使用AI生成的。

**四个研究结果（异常脑电图、癫痫样脑电图、脑电图排除初始诊断和脑电图确认初始诊断）的最佳性能模型的精确度-召回率曲线。实线显示精确度-召回率曲线，虚线水平线表示结果 prevalence。每个结果的平均精确度（AP）在图例中报告。

**针对正常/异常脑电图的模型DCA（图2B）**显示了该模型在5%到90%的阈值范围内始终优于两种默认策略（全治疗或不治疗），并在最低阈值处达到净收益峰值61%。在预测癫痫样脑电图时，直到35%的阈值，都发现了正的净收益（最大值为18%），这与结果的较低 prevalence（18.8%）一致。

对于异常脑电图（图4，左侧），模型主要受到反映急性脑功能障碍（例如，就诊时的意识改变）和慢性神经系统脆弱性（如已知的脑损伤、之前的神经外科手术和神经系统疾病的存在）的特征驱动。入院时服用抗癫痫药物进一步增强了异常发现的可能性，表明患者已经处于较高的神经系统风险中。人口统计上的脆弱性，如年龄较大，也一致地将预测推向异常方向。有趣的是，模型利用了最初的诊断怀疑：虽然LoC倾向于预测正常脑电图，但入院诊断为癫痫发作则将分类推向异常。另一方面，对于癫痫样脑电图（图4，右侧），最具影响力的特征与发作相关的临床活动密切相关。运动表现、入院时存在抗癫痫治疗以及最初的癫痫发作诊断是主要驱动因素。当医疗专业人员目睹了关键事件时，诊断过程的可靠性得到了加强，这极大地促进了癫痫样分类。其他特征，如言语障碍和发热，也指向了相同的方向，尽管效果较为温和。综合这些发现，可以表明，异常脑电图（emEEG）的模型整合了更广泛的一般神经功能障碍和慢性脆弱性谱系，而癫痫样脑电图（epileptiform emEEG）的模型则更具体地依赖于急性发作相关表现和临床背景。图4中，该图像的替代文本可能是使用人工智能生成的。全尺寸图像显示了患者特征的SHAP蜂群图（beeswarm plots）。报告了异常（左侧面板）和癫痫样emEEG分类模型的结果。每一行代表一个预测因子；每个点对应一个参与者。x轴显示了SHAP值，即该预测因子对模型输出的贡献，以模型的原始刻度表示。正值表示预测出现异常/癫痫样emEEG的风险/概率增加；负值表示预测出现异常/癫痫样emEEG的风险/概率降低。点的颜色根据观察到的特征值进行区分（蓝色=高，绿色=低）。特征按全局重要性（平均绝对SHAP值）排序。提供了两个解释性示例：首先，在异常分类任务中，“意识改变”（SS: Altered Consciousness）表现出不对称效应，即意识改变的存在显著增加了异常分类的概率，而其缺失对预测几乎没有影响；其次，在癫痫样分类任务中，“运动表现”（SS: Motor Manifestations）表现出对称效应，运动表现的存在一致增加了癫痫样分类的概率，而其缺失则将这一概率降低了相似的程度。

脑电图（emEEG）在何时能够排除或确认诊断？在分析emEEG排除和确认初始诊断的过程中（图5），随机森林（Random Forest）和XGBoost模型在内部验证中表现最佳。对于第一个结果，AUC为0.84（95%置信区间0.81–0.86）（图a），在50%的阈值下，平衡准确率为78.2%，灵敏度为79.6%，特异性为76.8%（图c）。

对于第二个结果，AUC为0.82（95%置信区间0.79–0.85）（图d），平衡准确率为76.4%，灵敏度为77.7%，特异性为85.3%（图f）。图3中报告了精确度-召回率（precision-recall）分析。在排除初始诊断方面，随机森林模型的F1分数为0.79，AP为0.81；在确认初始诊断方面，F1分数为0.54，AP为0.50。决策曲线分析（图b）显示，与默认策略相比，随机森林模型在5%到80%的阈值范围内都产生了正的净收益，最低阈值的收益率为42%。XGBoost模型在35%的阈值以下也显示出相对于两种默认策略的净收益，这与确认结果的较低发生率一致（图e）；在此范围内，净收益值从17%开始。

除了这一共同核心外，模型在情境上存在差异，可靠性也区分了这两种预测：医疗专业人员目睹的事件支持确认诊断，倾向于反对排除诊断。运动表现、入院时使用抗癫痫药物（AED）、已知的继发性癫痫显示出相同的方向性模式；在排除模型中，其他人目睹的发作也出现，但作为较弱的信号。特定的发作症状如咬舌（morsus）和“失神”发作则相反，一致地反对排除诊断。在确认模型中，言语障碍特征尤为突出，支持确认诊断，这与癫痫表型相符。

结构和累积脆弱性进一步特征化了排除诊断的轮廓。排除模型重视多发性梗死疾病和年龄较大，这两者共同使预测倾向于排除诊断，而不是基于发作的解释。相比之下，在确认模型中，已知的继发性癫痫、已知的特发性癫痫、已知的脑部病变和之前的神经外科手术同样支持确认诊断，这与预先存在的神经脆弱性一致。最后，在确认模型中，系统性的共病更为明显，作为负面因素：心脏状况和糖尿病显示出最强的负面影响，它们的存在降低了确认诊断的可能性，一致指向非癫痫或多因素病因。这些因素在主要排除驱动因素中的相对缺失表明，对于反驳诊断，结构性/神经负担和非特异性脑功能障碍占主导地位。

错误分析中，评估指标（AUC）是根据入院时的十二种诊断怀疑进行分组的，患者数量从12到404不等（图7）。关于模型是否正确预测了脑电图异常，AUC始终高于随机水平，且通常集中在0.7–0.8范围内，最大层级的置信区间较窄（例如，意识改变、癫痫发作、中风）。显然，只有在被诊断为短暂性全面遗忘症的患者中，模型的预测能力准确率为66.7%（AUC为0.52，95%置信区间0.31–0.72），接近随机水平。

在癫痫样脑电图预测方面，十二个亚组中有十一个是可以评估的（从未发现有短暂性全面遗忘症的患者是癫痫样脑电图）。对于创伤后（AUC为0.93，95%置信区间0.84-1.00，n=64）或动态不明跌倒后（AUC为0.91，95%置信区间0.80-1.00；n=52）的患者，辨别能力最高。大层级的表现稳定，例如，意识丧失的患者（AUC为0.78，95%置信区间0.66–0.89；n=229）或癫痫发作患者（AUC为0.71，95%置信区间0.66–0.76；n=404）。唯一一个AUC低于60%的类别是“其他”（包括12名有非缺失怀疑但未包含在提议类别中的患者）。

当根据初次诊断怀疑是癫痫发作还是其他入院怀疑进行分层时，性能始终高于随机水平，并且在各个结果中显示出一致的变化方向（图8；表2）。在癫痫发作层中，辨别能力通常低于非癫痫发作层，特别是在排除诊断的结果中，这种减弱最为明显，这与层间患病率的显著差异相一致。层间AUC比较在任何结果上均未达到统计显著性（表2）。

此外，还发布了一个公共网络工具（www.emergencyeeg.com），使外部用户能够根据入院时的输入数据重现我们的预测，并可视化个别案例的特征归属。界面（图9）包括三个核心组成部分：（i）一个描述性部分，说明可以执行的任务；（ii）一个反映研究变量的结构化表格；（iii）一个输出面板，提供特定任务的概率和基于SHAP的解释。

此外，还发布了一个公共网络界面（图9），用于部署机器学习模型。（a）输入面板，可以选择要执行的预测任务；（b）输入面板，包含模型预测所需的入院变量（人口统计信息、初步诊断标签、症状/体征、病史和共病信息、用药情况以及急诊神经影像学标志）；（c）输出面板，提供每个任务的预测概率以及基于SHAP的解释，通过患者级别的瀑布图分解单个预测。

在探索性成本情景分析下，模拟的工作流程中，只有在模型估计出异常结果时才优先处理脑电图（emEEG），并且只有在假设的惩罚成本较低时才产生正的RCC/患者值（图10，面板a）。在0.5的决策阈值和150欧元的惩罚成本下，最大模拟节省达到了约20%；而在更高的惩罚成本下，优势逐渐减少，当漏诊的成本超过300欧元时甚至会出现损失。相比之下，对于癫痫样结果，模拟显示在大多数测试阈值和惩罚假设下RCC/患者值均为正值（图10，面板b）。在参考阈值0.5下，RCC/患者值在18%到61%之间，即使在最高的模拟惩罚水平（1500欧元，即脑电图成本的10倍）下，节省仍然存在。

讨论表明，入院时的数据能够预测（a）异常/癫痫样脑电图以及（b）脑电图是否会确认或反驳急诊科（ED）的诊断。辨别能力良好（AUC约为0.79–0.84；平衡准确率约为72–78%）。决策曲线分析显示，在实际和基于患病率的截止值下，使用这些模型比对所有人进行脑电图检查或不对任何人进行脑电图检查都能产生更正确的临床行动。在识别异常记录（平衡准确率为72%，AUC约为0.79）和癫痫样活动（平衡准确率为75%，AUC约为0.82）方面，辨别能力良好。这些模型还提供了关于脑电图在诊断中的贡献信息，预测脑电图发现是排除了（平衡准确率为78%，AUC约为0.84）还是确认了（平衡准确率为76%，AUC约为0.82）最初的怀疑。鉴于癫痫样脑电图和诊断确认的结果发生率较低，我们还评估了精确度-召回率（precision-recall）性能。AP约为0.50，与阳性类别率约为0.19相比，F1分数为0.53–0.54。错误分析显示，性能在不同初次诊断怀疑亚组中有所不同。这些亚组在我们的队列中分布不均，但辨别能力始终高于随机水平。当根据癫痫发作与非癫痫发作入院怀疑对患者进行分层时，癫痫发作层的辨别能力并未更高，表明队列级别的性能并未因这一亚组的主导而膨胀。层间AUC比较未达到统计显著性，这与整体模式一致。

这些结果表明，这些模型作为辅助决策的工具具有潜在的实用性，可以补充但不能替代临床判断。模型可解释性明确了脑电图（emEEG）在何种情况下最有可能提供有价值的信息，以及这些信息如何为临床推理提供支持。对于异常与正常的emEEG数据，模型重点关注急性脑功能障碍，特别是在就诊时出现的意识改变；同时也会考虑慢性神经系统脆弱性（已知的脑部病变、既往的神经外科手术、既往存在的神经系统疾病），以及入院时是否使用了抗癫痫药物（AED）和患者的年龄。这些模式与我们之前在同一队列中的分析结果一致，也与急诊科（ED）的研究结果相符，后者报告称在意识状态改变和癫痫持续状态（status epilepticus）的情况下，emEEG的诊断价值更高，而在全面性遗忘症、轻微头部创伤和原因不明的跌倒等情况下，正常emEEG记录更为常见[1, 4, 6]。当前的结果增加了方向性的细微差别（解释示例见图4），提供了更具体的患者级诊断信息。例如，单独的“失去意识”这一标签会使得预测结果偏向于正常记录，而其存在对机器学习模型将EEG分类为异常的影响则明显较小。此外，言语障碍和发热也被发现是导致癫痫样记录的积极因素；这种模式表明它们可能与癫痫发作倾向以及癫痫性脑病状态有关，在这些状态下癫痫发作较为常见。

SHAP分析用于区分诊断的“证实”和“反驳”情况，揭示了互补的临床特征，并支持了emEEG的实用应用。三个特征——即入院时被诊断为癫痫发作、运动表现以及入院时是否使用了AED——在两个模型中都最具影响力，但作用方向相反：它们增加了诊断“证实”的可能性，同时降低了“反驳”的可能性。这些特征的对称双向贡献增强了研究结果的临床合理性，反映了通常在癫痫发作分诊中应用的预测试诊断逻辑，从而支持了该模型的实用性。特别是当存在典型的癫痫发作线索时（如急诊科癫痫发作诊断、运动体征、使用了AED），模型预测emEEG结果将支持诊断；而当这些线索较弱或缺失时，模型则预测emEEG结果将反驳最初的诊断。这种在两个模型中的镜像效应支持了该方法的临床可信度和日常实用性。

然而，在这个共同特征的基础上，模型在临床表现上存在差异。“证实”诊断的结果受到医疗专业人员目击事件等可靠性因素的增强，以及与癫痫表型相符的特征（如言语障碍）的影响。相比之下，“排除”诊断则受到更广泛临床特征的驱动，这些特征与非特异性表现和血管或结构性问题相关，包括入院时的诊断标签（如意识改变或失去意识）、年龄较大以及多发性梗死疾病等；而特定于癫痫发作的体征（如“morsus”发作和“失神”发作）则不利于排除诊断。系统性合并症，特别是心脏病和糖尿病，在“证实”诊断模型中被视为负面因素，降低了emEEG支持初始诊断类别的可能性，表明诊断过程更为复杂。

在这方面，亚组特定的结果进一步强化了就诊时表现出的症状和体征的效果：以癫痫发作为中心的情境（例如伴有运动现象的头部创伤或明确的意识丧失）有利于癫痫样记录的识别和诊断的“证实”，而结构性或非特异性的脑病情境则有利于排除诊断。置信区间的宽度反映了亚组规模和病例的异质性，提供了可以直接在临床实践中应用的不确定性信号。因此，在报告点估计值的同时提供置信区间有助于临床医生根据特定诊断队列个性化地评估模型的预测可靠性。

在急诊科，临床医生必须在完成全面检查之前对每位患者进行诊断评估，模型的模式提示了一个实用规则：当癫痫发作特征明显且事件被医疗专业人员目击时，emEEG结果倾向于支持诊断；当临床表现不典型、受到系统性疾病的影响，或发生在结构性脑疾病的背景下时，emEEG结果更可能指向排除诊断。这解释了为什么即使emEEG结果正常或非癫痫样，它仍然能在决策过程中发挥作用[3, 11, 15, 16, 17]。

除了诊断准确性之外，还进行了探索性的成本情景分析，以模拟在模型引导下的emEEG优先级工作流程中的资源使用情况。预测emEEG异常的模型仅显示出适度的效益，节省的成本主要限于那些假设的漏诊惩罚相对较低的情景（大约是EEG成本的1-2倍），这与异常emEEG结果的异质性和通常不仅仅是癫痫相关的性质相符。相比之下，预测癫痫样活动的模型显示出更有利的经济效益，即使在漏诊惩罚较高的情景下（惩罚高达EEG成本的10倍），节省的成本仍然明显。这些发现表明，在临床情况稳定或非危急的情况下，模型输出可以支持工作流程的优先级排序，其中资源分配是一个重要的考虑因素。然而，在高度急性或高风险的情况下，鉴于诊断和治疗决策的时间敏感性，emEEG仍应作为首选方法。不过，这种情景分析存在一些局限性：漏诊或延误诊断的后果是通过简化的惩罚参数来表示的，而非基于实际发生的成本；该框架没有涵盖罕见但影响重大的临床轨迹、特定于诊断的后果或患者层面的异质性；而且所得到的成本估算在不同机构或医疗系统之间可能不具有直接的可转移性，因为这些地方的资源成本和临床后果可能存在显著差异。

总体而言，这些结果补充并扩展了关于急诊神经诊断的现有文献，并与当前的建议一致，即对于疑似癫痫发作/非癫痫性意识丧失（NCSE）的情况，应尽早进行EEG检查，同时认识到不同情况下emEEG诊断价值的差异[5, 8, 9, 10, 13]。它们也符合人工智能在急性护理中作为决策辅助工具的更广泛趋势：可解释的模型整合了临床医生整理的急诊科变量和神经影像学数据，能够清晰地展示分诊选择的原因，减少不必要的检查，这与人工智能应增强而非取代临床医生判断的观点一致[23, 24, 25]。

该研究的优势包括使用了大型且结构化获取emEEG数据的队列、严格的嵌套交叉验证和决策曲线分析，以及与病理生理学和先前经验观察结果相符的解释。局限性包括回顾性的单中心设计、癫痫样和确诊类别之间的结果不平衡，以及队列中入院诊断怀疑的非均匀分布，这些都可能影响队列层面的性能评估和普遍性。入院诊断怀疑的非均匀性可能反映了请求emEEG的临床路径，因为这项检查是根据医生的判断来安排的，而不是系统性地应用于所有急诊科病例。因此，与癫痫发作相关的病例可能被过度代表，解释队列层面性能总结和普遍性时需要考虑这一选择过程。此外，队列组成（表1）限制了其在类似成人急诊科患者群体之外的外部有效性和公平性；该模型不适用于儿科急诊科患者或没有及时进行emEEG检查及专家解读的机构（例如，没有24小时EEG覆盖），并且可能不适用于转诊路径存在显著差异的机构。此外，由于研究是在单一中心进行的，当地的临床工作流程和机构实践（包括神经科转诊阈值、emEEG检查的安排标准和紧急性以及运营资源限制）可能会影响接受emEEG检查的病例构成以及入院预测因素与emEEG定义的结果之间的关系。因此，这些因素可能会影响模型在其他临床环境中的应用效果。

未来的研究应该在前瞻性基础上，在地理和时间上独立的多个急诊科队列中评估这些模型，明确反映实验设置、转诊工作流程和入院诊断分布的差异；量化其对诊断时间、治疗调整以及排除诊断中避免不必要的抗癫痫治疗的效应；并评估成本效益。需要进行外部验证、校准监测和公平性分析。在这方面，模型的公开部署将使临床医生和研究人员能够使用本地相关的入院数据来探索模型的行为，并可视化预测背后的原因，从而支持分诊推理和解决方案的外部验证。方法学上，即时获取SHAP解释可以提高模型的可解释性，并便于外部审查，这对于旨在补充而非替代临床判断的决策支持工具非常重要。重要的是，该平台不存储任何用户输入数据，遵守欧盟的隐私要求。

总之，仅使用入院数据的可解释机器学习模型能够识别出emEEG结果异常或具有癫痫样特征的患者，并能预测检查结果是否会支持或反驳最初的诊断怀疑。这些解释模式与临床推理高度吻合，以癫痫发作为中心的特征与确诊结果相关，而系统或结构性特征则与排除诊断结果相关。这可能有助于优化emEEG的分诊，并加强机器学习在急诊神经学中的决策支持作用，而不是替代临床医生的判断。

数据可用性：由于隐私和伦理限制或机构政策，数据集并未公开，但可以根据合理请求从相应作者处获得。

代码可用性：用于开发和训练模型以及重现手稿中图表的代码将在接受发表后公开提供。本研究开发的模型和解释工具可在一个免费访问的网站（www.emergencyeeg.com）上找到。

热点排行