注目ポイント
新規の AI 搭載ベッドサイド診断用 point-of-care（POC）脳波（electroencephalography, EEG）システムは、重症成人における発作負荷を定量化できる。
AI により算出された発作負荷は、退院時の機能予後不良と用量依存的に相関した。
ベッドサイド用アルゴリズムと、より高感度な portal アルゴリズムを併用することで、臨床予後との関連がより強固になった。
本研究は、急性期神経学的ケアと予後予測を支援する AI ベースの EEG 解析を支持する初期エビデンスを提供する。
研究背景
重症患者における発作モニタリングは、発作およびてんかん重積状態が神経学的転帰を著しく悪化させ得るため、不可欠である。脳波（EEG）は発作検出のゴールドスタンダードであるが、従来の EEG へのアクセスおよび解釈は、専用機器と訓練を受けた神経生理学者に依存することが多く、制限されている。このギャップにより、発作の認識が遅延または不十分となり、迅速な介入が妨げられる。近年、人工知能（AI）ベースのアルゴリズムを組み合わせた携帯型 point-of-care（POC）EEG デバイスが、迅速なベッドサイドでの発作検出を可能にする手段として登場した。しかし、AI が検出した EEG 発作パターンの臨床的意義と、それらが臨床的に重要な転帰とどのように関連するかについては、さらなる検証が必要である。
研究デザイン
本研究は、後ろ向き多施設 Seizure Assessment and Forecasting with Efficient Rapid-EEG（SAFER-EEG）研究の二次コホート解析である。EEG および臨床転帰データは、Ceribell の POC EEG システムを日常の神経学的診療に導入している 3 つの大学病院から収集された。研究には EEG モニタリングを受けた成人 400 例が登録され、転帰および臨床データが完全に利用可能であったのは 359 例であった。発作負荷（SzB）は 2 種類の AI アルゴリズムで定量化された。1 つはリアルタイムの臨床使用を目的とした「bedside」アルゴリズム、もう 1 つはオフラインで使用されるより高感度な「portal」アルゴリズムである。主要評価項目は修正 Rankin Scale（modified Rankin Scale, mRS）で評価した退院時の機能状態であり、不良転帰は mRS >3 と定義された。発作負荷指標と転帰との関連は、関連する臨床的交絡因子を調整して解析された。
主要結果
bedside AI アルゴリズムでは、ピーク 5 分発作負荷が 0% を超える患者が 39.8% に認められた。bedside アルゴリズムで測定したより長時間の発作活動は、退院時の機能予後不良と強く関連していた。具体的には、発作検出時間が 1 時間増えるごとに、不良転帰のオッズはほぼ 2 倍となった（調整オッズ比［adjusted odds ratio, aOR］1.98、95%信頼区間［confidence interval, CI］1.11-4.29）。ピーク 5 分発作負荷が ≥90% の患者では、発作負荷が検出されなかった患者と比較して、不良転帰のオッズが 3.4 倍高かった。
さらに、最大時間別 SzB において 1 時間あたり 30 秒という短い発作活動の増加であっても、転帰悪化と独立して関連していた（aOR 1.02、95% CI 1.00-1.03）。とりわけ、bedside と portal の両 AI アルゴリズムの出力を組み合わせることで、転帰予測能が向上し、特に高い発作負荷（ピーク 5 分 SzB ≥90%）を示す患者において関連が強まり、不良転帰に対する aOR は 4.4（95% CI 1.66-12.69）であった。
専門家による解説
本研究は、POC EEG に基づく AI による発作負荷定量化と、その予後予測上の意義を初めて臨床的に検証したものである。重要なのは、ここで示された用量反応関係が、発作の存在そのものだけでなく、時間的な発作負荷も機能回復に影響することを示唆している点である。リアルタイムのベッドサイド用アルゴリズムと、オフラインの高感度アルゴリズムの双方を用いることは、実用性と感度のバランスを取るアプローチであり、臨床意思決定を強化する。
一方で、本研究には後ろ向きデザインであること、ならびに施設ごとの管理方針の違いが反映された可能性といった限界がある。mRS は標準的な神経学的転帰指標であるが、長期的な機能転帰および認知機能転帰については今後の検討が必要である。AI による発作検出とそれに基づく介入が患者予後を改善し得るかを明らかにするには、さらなる前向き試験が求められる。
それにもかかわらず、これらの知見は、AI 搭載 POC EEG を集中治療のワークフローに組み込み、発作を適時に同定し、個別化された治療戦略を導くことの有用性を支持している。
結論
POC EEG システムから AI により算出された発作負荷は、重症成人患者における退院時の機能転帰と有意に関連していた。この関連は用量依存的であり、交絡因子を調整した後も頑健であった。本研究は、AI 強化 EEG 解釈の重要な検証段階を示すものであり、神経学的モニタリングの補完と管理方針の指針として、発作を起こしやすい患者集団の転帰改善に寄与する可能性を強調している。
研究資金および臨床試験登録
SAFER-EEG 研究は、学内および連邦の助成金によって支援されていた。詳細は原著論文を参照されたい。本解析は後ろ向きの二次解析であり、新たな臨床試験登録は該当しない。
参考文献
Parvizi J, Armenta Salas M, Aparicio MK, et al. Point-of-Care EEG Artificial Intelligence Measure of Seizure Burden Associates With Clinical Outcome at Discharge. Crit Care Med. 2026 Jun;54(7):1710-1720. PMID: 42223304.
Claassen J, Hirsch LJ, Kreiter KT, et al. Prognostic significance of continuous EEG monitoring in patients with seizures after traumatic brain injury. Neurology. 2004;62(10):1568-1574.
Hirsch LJ, Brenner RP. Continuous EEG monitoring in the intensive care unit: an overview of what clinicians need to know. Am J Electroneurodiagnostic Technol. 2006;46(1):8-19.
