早期定量的脳波（qEEG）特徴を用いた小児心停止の予後予測に関するデータ駆動型機械学習
カテゴリ：公衆衛生・予防医療
公開日：2026年2月19日
タイトル：Pediatric cardiac arrest outcome prediction using data-driven machine learning of early quantitative electroencephalogram (qEEG) features
雑誌名：Resuscitation. 2025 Nov; 216: 110854.
概 要：
本研究は、小児心停止後の予後予測において、早期の定量的脳波（qEEG）特徴を用いた機械学習モデルが、従来の7特徴モデルと比較して不良神経学的転帰の予測を改善できるかを評価しました。低酸素虚血性脳損傷が小児心停止後の悪化を引き起こすため、早期の予測が重要です。研究では、臨床変数の追加による性能の安定性も評価しました。
方 法：
この研究は、心停止を経験し、心停止後24時間以内に脳波モニタリングを受けた3ヶ月から18歳の子供を対象とした単一施設の後ろ向きコホート研究です。心停止前の小児脳機能評価（PCPC）が3を超える患者は除外されました。不良転帰は、入院時または心停止後30日以内の死亡またはPCPCが4以上と定義されました。164のqEEG特徴を抽出し、3つの確立されたアルゴリズムを用いてモデルを訓練しました。性能はROC曲線下面積（AUROC）を用いて評価されました。
結 果：
70人の患者が含まれ（中央値年齢7.0歳、IQR 1.5-11.5）、53％が不良転帰を示しました。164のqEEG特徴を用いたモデルは、7特徴モデルを上回る性能を示しました：LASSO [0.81 (95％CI: 0.69-0.91) vs 0.45 (0.31-0.58)]、ランダムフォレスト [0.80 (0.67-0.90) vs 0.65 (0.50-0.78)]。臨床変数を追加しても性能は向上しませんでした。AUROCは6時間から24時間の6時間ごとのエポックで安定していました。高い位相ロッキング値、フラクタル指数、コヒーレンスは良好な転帰と関連し、高いデルタパワーと抑制比の変動は悪化と関連しました。
結 論：
164のqEEG特徴を用いたデータ駆動型モデルは、小児心停止後の神経学的転帰を正確に予測し、時間的に安定した性能を示しました。今後は、一般化可能性を評価するための外部検証が必要です。