亮点
一套新型、由人工智能（Artificial Intelligence, AI）赋能的床旁即时（point-of-care, POC）脑电图（electroencephalography, EEG）系统可量化重症成人的癫痫发作负荷。
AI 推导的癫痫发作负荷与出院时不良功能结局呈剂量依赖性相关。
将床旁算法与更敏感的 portal 算法联合使用，可进一步增强其与临床预后的相关性。
本研究为基于 AI 的 EEG 解读用于指导急性神经系统护理及预后评估提供了初步证据。
研究背景
对重症患者进行癫痫发作监测至关重要，因为癫痫发作和癫痫持续状态可显著恶化神经系统结局。脑电图（electroencephalography, EEG）是检出癫痫发作的金标准，但传统 EEG 的获取与判读常受限于专门设备和受过训练的神经电生理医师。上述差距会导致癫痫发作识别延迟或不足，从而妨碍及时干预。近年来，结合基于人工智能（Artificial Intelligence, AI）算法的便携式床旁即时（point-of-care, POC）EEG 设备已出现，可促进快速床旁癫痫发作检出。然而，AI 检出的 EEG 癫痫发作模式及其与具有临床意义结局之间的关系，仍需进一步评估。
研究设计
本研究为回顾性、多中心 SAFER-EEG（Seizure Assessment and Forecasting with Efficient Rapid-EEG）研究的二次队列分析。EEG 及临床结局数据来自 3 家将 Ceribell 的 POC EEG 系统纳入常规神经系统诊疗流程的学术医疗中心。研究共纳入 400 例接受 EEG 监测的成人患者；其中 359 例具有完整的结局与临床资料。癫痫发作负荷（SzB）由 2 种 AI 算法量化：用于实时临床应用的“bedside”算法，以及离线使用、敏感性更高的“portal”算法。主要结局为出院时的功能状态，采用改良 Rankin 量表（modified Rankin Scale, mRS）评估；不良结局定义为 mRS＞3。癫痫发作负荷指标与结局之间的关联已对相关临床混杂因素进行校正。
主要发现
床旁 AI 算法检出的峰值 5 分钟癫痫发作负荷＞0% 的患者占 39.8%。按床旁算法测得的更长时间癫痫活动，与出院时较差的功能结局密切相关。具体而言，每增加 1 小时癫痫检出时间，不良结局的比值比几乎增加 1 倍（调整后比值比 [adjusted odds ratio, aOR]，1.98；95% 置信区间 [confidence interval, CI]，1.11–4.29）。与未检出癫痫负荷的患者相比，峰值 5 分钟癫痫发作负荷≥90% 的患者发生不良结局的比值增加 3.4 倍。
此外，即使是每小时最大 SzB 中每小时仅增加 30 秒的癫痫活动，也与结局恶化独立相关（aOR，1.02；95% CI，1.00–1.03）。值得注意的是，联合床旁与 portal AI 算法的结果可提高对结局的预测能力，尤其是在高癫痫负荷患者（峰值 5 分钟 SzB≥90%）中，对不良结局的 aOR 达到 4.4（95% CI，1.66–12.69）。
专家点评
本研究为基于 POC EEG 的 AI 癫痫发作负荷量化及其预后意义提供了开创性的临床验证。值得重视的是，这里强调的剂量-反应关系表明，影响功能恢复的并不仅是癫痫发作是否存在，癫痫负荷的时间维度同样重要。实时床旁算法与离线高敏感性算法并用，在可实施性与敏感性之间提供了较为平衡的方案，从而有助于加强临床决策。
然而，该研究仍存在局限性，包括回顾性设计以及不同中心间管理方式可能存在差异。尽管 mRS 是标准神经系统结局指标，但更长期的功能和认知结局仍有待进一步研究。仍需更多前瞻性试验，以明确 AI 引导的癫痫发作检出及干预是否能够改善患者预后。
尽管如此，这些发现支持将 AI 赋能的 POC EEG 整合至重症监护工作流程中，以提高癫痫发作的及时识别，并指导个体化治疗策略。
结论
来自 POC EEG 系统的 AI 推导癫痫发作负荷与重症成人患者出院时的功能结局显著相关。该关系具有剂量依赖性，并在校正混杂因素后仍然稳健。本研究是 AI 增强 EEG 解读的重要验证步骤，强调其有望提升神经系统监测能力并指导管理，从而改善易发生癫痫发作人群的结局。
资金支持与临床试验注册
SAFER-EEG 研究获得机构和联邦资助支持；详情见原始发表。该分析为回顾性二次分析，不涉及新的临床试验注册。
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.
